Sim-to-Real of Soft Robots With Learned Residual Physics

作者: Junpeng Gao, Mike Y. Michelis, Andrew Spielberg, Robert K. Katzschmann · IEEE Robotics and Automation Letters (RA-L) 2024

许可协议

• 开放获取
• 论文: CC BY 4.0

以下内容均依据论文全文，按其 CC BY 4.0 许可协议使用；其中的图已注明作者。

一句话总结

基于稀疏动作捕捉标记点，在可微 FEM 软体机器人仿真上学习一个残差体力；标记点误差比系统辨识低 60.3%（梁）和 31.9%（气动臂）。

为何重要

软体机器人难以建模，这限制了针对它们的基于模型的控制和设计工作。该方法保留粗略的解析仿真器作为物理先验，只学习误差，在真实机器人上只需要稀疏的动作捕捉标记点，而不需要全状态感知。它还使作者能够保留次优但非刚性、求解更快的参数，同时比使用系统辨识参数的较慢仿真更贴近现实。

问题

软体机器人仿真器只开放少数可调参数，例如刚度、密度和 Poisson 比，因此系统辨识无法修正由错误的材料模型、粗糙的离散化、制造缺陷、粘弹性或迟滞引起的误差。早期的残差物理方法只为低维状态空间学习修正，无法处理软体网格约 10^3 个自由度，而且真实机器人只能通过少量运动标记点进行观测。

提出的方法

该方法运行可微 FEM 仿真器 DiffPD，并针对每个记录的时间步，使用基于梯度的优化（L-BFGS-B）求出作用在每个网格节点上的外力，使仿真的标记点位置与测量值一致。这些优化得到的力构成一个增强数据集，在其上训练一个带跳跃连接的 MLP，根据当前位置、速度和驱动力来预测残差力。运行时，网络输出的力在自回归推演中被加到仿真器的每一步上。

关键见解

• 施加在整个网格上的单一残差体力，可以吸收参数调节无法触及的误差，这些误差来自错误的材料模型和可压缩性假设。
• 将问题拆分为先通过可微仿真器逐步优化力，再在这些力上进行监督学习，可以把稀疏的标记点数据转化为稠密的训练标签。
• 在仿真中，约 4 个标记点就足以使全状态重建误差的中位数低于 0.1 mm，但离散程度在达到 10 个标记点之前一直较高。
• 在真实梁上，系统辨识收敛到 810 kPa 的杨氏模量，远离制造商给出的 215 kPa，这表明最佳拟合参数是在补偿未建模的效应。

主要结果

• 仿真到仿真的梁：平均推演误差从 4.49 ± 1.47 mm 降至 0.08 ± 0.28 mm（振荡），从 4.36 ± 1.54 mm 降至 0.03 ± 0.07 mm（扭转）。
• 仿真到现实的硅橡胶梁：平均标记点误差为 5.46 ± 1.78 mm（原始）、1.32 ± 1.38 mm（系统辨识）、0.52 ± 0.48 mm（残差物理），相比系统辨识降低 60.3%。
• 仿真到现实的 SoPrA 气动臂：7.77 ± 3.72 mm（原始）、7.57 ± 3.59 mm（系统辨识）、5.15 ± 2.67 mm（残差物理），降低 31.9%。
• 每条梁轨迹的运行时间：原始参数 0.711 s，系统辨识参数 2.218 s（约慢 3.12×），残差物理 1.393 s（约 1.96×）；网络推理耗时 0.112 s。
• 在每条气动臂轨迹的前 5 s 上训练并推演到 10 s 时，残差物理达到 6.10 ± 3.22 mm，而系统辨识为 7.57 ± 3.59 mm。

局限

• 构建训练集需要在预处理中进行计算代价高昂的逐步优化。
• 学到的动力学无法泛化到分布外数据；在 1.75× 训练驱动压力下，气动臂上的泛化效果变差。
• 误差会在长时间自回归推演中累积，且未处理接触交互。
• 每个网络只针对单一机器人几何形状训练；跨软体机器人形态的单一网络留待未来工作。
• 气动臂压力被限制在 20 kPa，因为仿真器中没有对纤维增强结构建模；注入的力增加了数值刚性，使混合仿真比基础仿真更慢。

对领域的影响

该论文获得 RA-L 2025 最佳论文奖，被引用 54 次。获许可的论文副本中未提及发布代码、数据或硬件。

摘要

在仿真中准确建模软体机器人计算代价高昂，而且通常难以反映真实世界。这种众所周知的差异称为仿真到现实差距，其成因可能有多种，例如粗略近似的几何与材料模型、制造缺陷、粘弹性和塑性，以及迟滞效应。残差物理网络从真实世界数据中学习，用以增强存在偏差的模型，使其更接近现实。在这里，我们提出一种用于建模大自由度软体机器人的残差物理方法。我们训练神经网络来学习一个残差项，即仿真系统与物理系统之间的建模误差。具体而言，残差项是施加在整个仿真网格上的力，而真实位置数据只通过稀疏的运动标记点采集。解析仿真的物理先验为残差网络提供了起点，组合后的模型比从零开始（tabula rasa）学习物理更具信息量。我们在 1) 一根硅橡胶弹性体梁和 2) 一个带有难以建模的各向异性纤维增强结构的软体气动臂上演示了我们的方法。我们的方法比传统系统辨识最多提升 60%。我们表明，残差物理不必局限于低自由度系统，而是能够有效弥合高维系统的仿真到现实差距。

链接

• arXiv 2402.01086: https://arxiv.org/abs/2402.01086
• DOI 10.1109/LRA.2024.3446287: https://doi.org/10.1109/LRA.2024.3446287
• PDF: https://arxiv.org/pdf/2402.01086v1