論文の概要: Real2Sim2Real Transfer for Control of Cable-driven Robots via a
Differentiable Physics Engine
- arxiv url: http://arxiv.org/abs/2209.06261v3
- Date: Thu, 6 Apr 2023 01:13:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 18:03:25.135318
- Title: Real2Sim2Real Transfer for Control of Cable-driven Robots via a
Differentiable Physics Engine
- Title（参考訳）: Real2Sim2Real Transferによる微分物理エンジンによるケーブル駆動ロボットの制御
- Authors: Kun Wang, William R. Johnson III, Shiyang Lu, Xiaonan Huang, Joran
Booth, Rebecca Kramer-Bottiglio, Mridul Aanjaneya, Kostas Bekris
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.64996683246403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tensegrity robots, composed of rigid rods and flexible cables, exhibit high
strength-to-weight ratios and significant deformations, which enable them to
navigate unstructured terrains and survive harsh impacts. They are hard to
control, however, due to high dimensionality, complex dynamics, and a coupled
architecture. Physics-based simulation is a promising avenue for developing
locomotion policies that can be transferred to real robots. Nevertheless,
modeling tensegrity robots is a complex task due to a substantial sim2real gap.
To address this issue, this paper describes a Real2Sim2Real (R2S2R) strategy
for tensegrity robots. This strategy is based on a differentiable physics
engine that can be trained given limited data from a real robot. These data
include offline measurements of physical properties, such as mass and geometry
for various robot components, and the observation of a trajectory using a
random control policy. With the data from the real robot, the engine can be
iteratively refined and used to discover locomotion policies that are directly
transferable to the real robot. Beyond the R2S2R pipeline, key contributions of
this work include computing non-zero gradients at contact points, a loss
function for matching tensegrity locomotion gaits, and a trajectory
segmentation technique that avoids conflicts in gradient evaluation during
training. Multiple iterations of the R2S2R process are demonstrated and
evaluated on a real 3-bar tensegrity robot.
- Abstract（参考訳）: 剛体棒とフレキシブルケーブルからなる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し、非構造地形をナビゲートし、厳しい衝撃に耐えることができる。
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。
物理ベースのシミュレーションは、実際のロボットに転送できるロコモーションポリシーを開発するための有望な道のりだ。
それでも、tensegrityロボットのモデリングは、sim2現実のギャップが大きいため、複雑な作業である。
本論では, 緊張ロボットに対するReal2Sim2Real(R2S2R)戦略について述べる。
この戦略は、実際のロボットからの限られたデータから訓練できる微分可能な物理エンジンに基づいている。
これらのデータには、様々なロボットコンポーネントの質量や形状などの物理的特性のオフライン測定や、ランダムな制御ポリシーを用いた軌道の観測が含まれる。
本物のロボットのデータにより、エンジンは反復的に洗練され、本物のロボットに直接転送可能な移動ポリシーを発見するのに使える。
R2S2Rパイプライン以外にも、この研究の重要な貢献は、接触点における非ゼロ勾配の計算、緊張度軌跡に一致する損失関数、訓練中の勾配評価の矛盾を避ける軌道分割技術などである。
R2S2Rプロセスの複数イテレーションを実3バー張力ロボットで実証し評価した。
関連論文リスト
- Flow as the Cross-Domain Manipulation Interface [73.15952395641136]
Im2Flow2Actは、現実世界のロボットのトレーニングデータを必要とせずに、ロボットが現実世界の操作スキルを習得することを可能にする。
Im2Flow2Actはフロー生成ネットワークとフロー条件ポリシーの2つのコンポーネントから構成される。
我々はIm2Flow2Actの様々な実世界のタスクにおいて、剛性、調音、変形可能なオブジェクトの操作を含む能力を実証する。
論文 参考訳（メタデータ） (2024-07-21T16:15:02Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳（メタデータ） (2024-02-22T15:12:00Z) - Learning to navigate efficiently and precisely in real environments [14.52507964172957]
Embodied AIの文献は、HabitatやAI-Thorといったシミュレータで訓練されたエンドツーエンドエージェントに焦点を当てている。
本研究では,sim2realのギャップを最小限に抑えたシミュレーションにおけるエージェントのエンドツーエンドトレーニングについて検討する。
論文 参考訳（メタデータ） (2024-01-25T17:50:05Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳（メタデータ） (2023-06-16T17:58:10Z) - Learning Bipedal Walking for Humanoids with Current Feedback [5.429166905724048]
アクチュエータレベルでの不正確なトルクトラッキングから生じるヒューマノイドロボットのシム2リアルギャップ問題を克服するためのアプローチを提案する。
提案手法は、実際のHRP-5Pヒューマノイドロボットに展開して二足歩行を実現するシミュレーションにおいて、一貫したエンドツーエンドのポリシーをトレーニングする。
論文 参考訳（メタデータ） (2023-03-07T08:16:46Z) - 6N-DoF Pose Tracking for Tensegrity Robots [5.398092221687385]
引張ロボットは剛性圧縮要素(ロッド)と柔軟な引張要素(ケーブルなど)から構成される
この研究は、マーカーのない視覚に基づく方法で、緊張するロボットのポーズトラッキングに対処することを目的としている。
RGB-Dビデオから張力ロボットの各剛体要素の6-DoFポーズを反復的に推定するプロセスを提案する。
論文 参考訳（メタデータ） (2022-05-29T20:55:29Z) - A Recurrent Differentiable Engine for Modeling Tensegrity Robots
Trainable with Low-Frequency Data [10.226310620727942]
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。
論文 参考訳（メタデータ） (2022-02-28T19:14:27Z) - REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy
Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。
模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。
本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文 参考訳（メタデータ） (2022-02-10T18:50:25Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - 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) - 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。