論文の概要: A Recurrent Differentiable Engine for Modeling Tensegrity Robots Trainable with Low-Frequency Data

• arxiv url: http://arxiv.org/abs/2203.00041v1
• Date: Mon, 28 Feb 2022 19:14:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 13:48:52.443281
• Title: A Recurrent Differentiable Engine for Modeling Tensegrity Robots Trainable with Low-Frequency Data
• Title（参考訳）: 低周波データで訓練可能なテンセグリティロボットのモデル化のためのリカレント微分エンジン
• Authors: Kun Wang, Mridul Aanjaneya and Kostas Bekris
• Abstract要約: 複雑な力学と多数のDoFが存在するため、テンセグリティロボットを正確にモデル化し、制御することは困難である。 微分可能な物理エンジンは、そのような複雑なロボットシステムのモデル同定のためのデータ駆動型アプローチとして最近提案されている。 微分可能なエンジンを訓練するための地上の真理軌道は通常、現実世界のセンサーの限界のためにそのような高周波数では利用できない。
• 参考スコア（独自算出の注目度）: 10.226310620727942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tensegrity robots, composed of rigid rods and flexible cables, are difficult to accurately model and control given the presence of complex dynamics and high number of DoFs. Differentiable physics engines have been recently proposed as a data-driven approach for model identification of such complex robotic systems. These engines are often executed at a high-frequency to achieve accurate simulation. Ground truth trajectories for training differentiable engines, however, are not typically available at such high frequencies due to limitations of real-world sensors. The present work focuses on this frequency mismatch, which impacts the modeling accuracy. We proposed a recurrent structure for a differentiable physics engine of tensegrity robots, which can be trained effectively even with low-frequency trajectories. To train this new recurrent engine in a robust way, this work introduces relative to prior work: (i) a new implicit integration scheme, (ii) a progressive training pipeline, and (iii) a differentiable collision checker. A model of NASA's icosahedron SUPERballBot on MuJoCo is used as the ground truth system to collect training data. Simulated experiments show that once the recurrent differentiable engine has been trained given the low-frequency trajectories from MuJoCo, it is able to match the behavior of MuJoCo's system. The criterion for success is whether a locomotion strategy learned using the differentiable engine can be transferred back to the ground-truth system and result in a similar motion. Notably, the amount of ground truth data needed to train the differentiable engine, such that the policy is transferable to the ground truth system, is 1% of the data needed to train the policy directly on the ground-truth system.
• Abstract（参考訳）: 剛性のあるロッドと柔軟なケーブルで構成されたテンセグリティロボットは、複雑なダイナミクスと多数のdofが存在するため、正確なモデリングと制御が困難である。 このような複雑なロボットシステムのモデル識別のためのデータ駆動アプローチとして、微分可能な物理エンジンが最近提案されている。 これらのエンジンは、しばしば正確なシミュレーションを達成するために高周波で実行される。 しかし、異なるエンジンを訓練するための地上の真理軌道は、現実のセンサーの限界のため、そのような高周波数では利用できない。 本研究は,この周波数ミスマッチに着目し,モデリング精度に影響を及ぼす。 我々は,低周波トラジェクタでも効果的に訓練できる,tensegrityロボットの微分可能な物理エンジンのリカレント構造を提案する。 この新しいリカレントエンジンを堅牢な方法でトレーニングするために、この作業は、以前の作業と比較して導入される。 (i)新しい暗黙の統合方式 (二)プログレッシブ・トレーニング・パイプライン、及び (iii)微分可能な衝突チェッカー。 MuJoCo 上の NASA の icosahedron SUPERballBot のモデルが、トレーニングデータを収集する基盤真理システムとして使用されている。 模擬実験により、MuJoCoの低周波軌道から再帰的な微分可能なエンジンが訓練されると、MuJoCoのシステムの挙動と一致することを示す。 成功の基準は、微分可能なエンジンで学習した移動戦略を地上のシステムに戻せるかどうかであり、同様の動きを生じさせる。 特に、差別化可能なエンジンの訓練に必要な地上真実データ量(そのポリシーが地上真実システムに転送可能である)は、地上真実システム上で直接ポリシーを訓練するのに必要とされるデータの1%である。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Real2Sim2Real Transfer for Control of Cable-driven Robots via a Differentiable Physics Engine [9.268539775233346]
  テンセグリティロボットは、高い強度と重量比と大きな変形を示す。 しかし、それらは高次元性、複雑な力学、結合アーキテクチャのために制御が難しい。 本稿では,Real2Sim2Real(R2S2R)戦略について述べる。
  論文  参考訳（メタデータ） (2022-09-13T18:51:26Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• An Adaptable Approach to Learn Realistic Legged Locomotion without Examples [38.81854337592694]
  本研究は,バネ装荷逆振り子モデルを用いて学習プロセスを導くことで,移動における現実性を保証するための汎用的アプローチを提案する。 モデルのない設定であっても、2足歩行ロボットと4足歩行ロボットに対して、学習したポリシーが現実的でエネルギー効率のよい移動歩行を生成できることを示す実験結果を示す。
  論文  参考訳（メタデータ） (2021-10-28T10:14:47Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• 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)
• Sim2Sim Evaluation of a Novel Data-Efficient Differentiable Physics Engine for Tensegrity Robots [10.226310620727942]
  シミュレーションにおける学習ポリシーは、ロボットコントローラーを訓練する際の人間の労力を減らすことを約束している。 Sim2realのギャップは、シミュレーションから本物のロボットへのポリシーの転送に成功するための主要な障壁である。 この研究は、データ駆動のエンドツーエンドの微分可能シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-11-10T06:19:54Z)

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。