論文の概要: Learning Material Parameters and Hydrodynamics of Soft Robotic Fish via Differentiable Simulation

• arxiv url: http://arxiv.org/abs/2109.14855v1
• Date: Thu, 30 Sep 2021 05:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 14:37:56.232748
• Title: Learning Material Parameters and Hydrodynamics of Soft Robotic Fish via Differentiable Simulation
• Title（参考訳）: 異なるシミュレーションによるソフトロボット魚の学習材料パラメータと流体力学
• Authors: John Z. Zhang, Yu Zhang, Pingchuan Ma, Elvis Nava, Tao Du, Philip Arm, Wojciech Matusik, Robert K. Katzschmann
• Abstract要約: 本フレームワークは, 実ハードウェアにおける複合バイモルフ曲げ構造の動的挙動の高精度予測を可能にする。 我々は,ロボットの材料パラメータと流体力学を学習するための,実験的に検証された高速な最適化パイプラインを実証した。 我々は水中ソフトロボットの特定の応用に焦点をあてるが、我々のフレームワークは空気圧で作動するソフトメカニズムにも適用できる。
• 参考スコア（独自算出の注目度）: 26.09104786491426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The high dimensionality of soft mechanisms and the complex physics of fluid-structure interactions render the sim2real gap for soft robots particularly challenging. Our framework allows high fidelity prediction of dynamic behavior for composite bi-morph bending structures in real hardware to accuracy near measurement uncertainty. We address this gap with our differentiable simulation tool by learning the material parameters and hydrodynamics of our robots. We demonstrate an experimentally-verified, fast optimization pipeline for learning the material parameters and hydrodynamics from quasi-static and dynamic data via differentiable simulation. Our method identifies physically plausible Young's moduli for various soft silicone elastomers and stiff acetal copolymers used in creation of our three different fish robot designs. For these robots we provide a differentiable and more robust estimate of the thrust force than analytical models and we successfully predict deformation to millimeter accuracy in dynamic experiments under various actuation signals. Although we focus on a specific application for underwater soft robots, our framework is applicable to any pneumatically actuated soft mechanism. This work presents a prototypical hardware and simulation problem solved using our framework that can be extended straightforwardly to higher dimensional parameter inference, learning control policies, and computational design enabled by its differentiability.
• Abstract（参考訳）: ソフトメカニズムの高次元性と流体-構造相互作用の複雑な物理は、ソフトロボットにとって特に困難である。 本フレームワークは, 実ハードウェアにおける複合バイモルフ曲げ構造の動的挙動を高精度に予測し, 測定の不確実性に近い精度を実現する。 我々は,ロボットの材料パラメータと流体力学を学習することで,このギャップに対処する。 準静的および動的データから物質パラメータと流体力学を微分可能シミュレーションにより学習するための,実験的に検証された高速な最適化パイプラインを示す。 3種類の魚ロボットの設計に用いた各種軟質シリコーンエラストマーおよび硬質アセタール共重合体の物理的に有理なヤングモジュラーを同定した。 これらのロボットに対して、解析モデルよりもスラスト力の微分可能でより堅牢な推定を行い、様々なアクチュエータ信号の下での動的実験においてミリ精度の変形を予測することに成功した。 我々は水中ソフトロボットの特定の応用に焦点をあてるが、このフレームワークは、任意のpneumatally actuated soft mechanismに適用できる。 本研究は,高次元パラメータ推論,学習制御ポリシ,微分可能性によって実現可能な計算設計に容易に拡張可能な,我々のフレームワークを用いたプロトタイプハードウェアとシミュレーション問題を提示する。

関連論文リスト

• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが弾塑性材料と環境の物理パラメータを推定できる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• SoftMAC: Differentiable Soft Body Simulation with Forecast-based Contact Model and Two-way Coupling with Articulated Rigid Bodies and Clothes [7.93869411097782]
  我々は,柔らかい体と硬い体と衣服を結合する,微分可能なシミュレーションフレームワークであるSoftMACを提案する。 変形性および非揮発性衣料メッシュとMPM粒子を結合するために, 浸透トレーシングアルゴリズムを提案する。 提案した微分可能なパイプラインの有効性と精度を検証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-12-06T05:36:55Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact [26.408218913234872]
  剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
  論文  参考訳（メタデータ） (2020-07-02T09:51:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。