[論文レビュー] Augmenting Physical Simulators with Stochastic Neural Networks: Case Study of Planar Pushing and Bouncing

Anurag Ajay, Jiajun Wu+5 more|arXiv (Cornell University)|Aug 9, 2018

Gaussian Processes and Bayesian Inference参考文献 19被引用数 11

ひとこと要約

本稿では、平面的押し出しおよび跳ね返りタスクにおける残差誤差と不確実性をモデル化するために、解析的剛体力学モデルに確率的ニューラルネットワークを組み合わせたハイブリッド物理シミュレータを提案する。分解された条件付き変分的再帰型ネットワークを用いて、物理モデルと実世界データとの乖離を学習することで、完全に解析的または学習ベースのモデルよりも高い精度、より優れた新しい形状や素材への一般化性能、より豊かな不確実性評価を達成する。

ABSTRACT

An efficient, generalizable physical simulator with universal uncertainty estimates has wide applications in robot state estimation, planning, and control. In this paper, we build such a simulator for two scenarios, planar pushing and ball bouncing, by augmenting an analytical rigid-body simulator with a neural network that learns to model uncertainty as residuals. Combining symbolic, deterministic simulators with learnable, stochastic neural nets provides us with expressiveness, efficiency, and generalizability simultaneously. Our model outperforms both purely analytical and purely learned simulators consistently on real, standard benchmarks. Compared with methods that model uncertainty using Gaussian processes, our model runs much faster, generalizes better to new object shapes, and is able to characterize the complex distribution of object trajectories.

研究の動機と目的

• 簡素化された接触モデルに起因する接触力学における現実世界の不確実性をモデル化できない既存の物理シミュレータのギャップを埋める。
• 接触相互作用を伴うロボット操作タスクにおけるシミュレーション精度と不確実性評価の向上を図る。
• 解析的物理モデルとデータ駆動型学習の長所を組み合わせた、データ効率的で一般化可能なフレームワークを開発する。
• 実世界データからの残差誤差を学習することで、長期的かつマルチモーダルな軌道予測を可能にする。
• 学習分布外の未観測の物体形状や素材に対しても一般化を示すことを実証する。

提案手法

• 解析的剛体力学シミュレータ（例：楕円体の極限表面に基づくもの）に、予測残差をモデル化するための確率的ニューラルネットワークを拡張する。
• 解析的モデルと実世界観測との誤差分布を学習するために、分離型の条件付き変分的再帰型ニューラルネットワーク（DC-V-RNN）を用いる。
• 実世界の押し出しデータセット（例：Yuらのもの）を用いてニューラルネットワークを学習し、物体軌道の完全な事後分布を予測する。
• 解析的モデルの決定的予測と、ニューラルネットワークによる確率的残差補正を組み合わせることで、不確実性を考慮した物理的に妥当な予測を生成する。
• 推論時に明示的な保存則を強制しないが、十分な訓練データとモデルアーキテクチャのおかげで物理的妥当性を間接的に保証する。
• チェンファ距離と新素材・新形状における一般化誤差を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 学習された残差モデルは、現実世界の平面的押し出しおよび跳ね返りシナリオにおいて、解析的物理シミュレータの精度を向上させることができるか？
• RQ2 本ハイブリッドモデルは、学習時に見られなかった新しい物体形状や素材へどれほど一般化できるか？
• RQ3 確率的ニューラルネットワーク部は、摩擦的および接触不安定性に起因する複雑なマルチモーダルな接触結果分布を効果的に捉えられるか？
• RQ4 完全に解析的または完全に学習ベースのシミュレータと比較して、本ハイブリッドアプローチは性能と効率性において優れているか？
• RQ5 物理モデルからの残差学習は、全動的特性をエンドツーエンドで学習するのと比較して、よりデータ効率的で一般化性能に優れているか？

主な発見

• ハイブリッドモデルはチェンファ距離2.77 × 10⁻⁴を達成し、GP-SUM（6.80 × 10⁻⁴）を著しく上回り、軌道分布モデリングの優位性を示した。
• 本モデルは、合板、ポリウレタン、デルリンなどの異なる素材、および新しい長方形形状（rect2）を含む、さまざまな形状において、完全に解析的または完全に学習ベースのベースラインよりも優れた一般化性能を示した。
• 本ハイブリッドモデルは、素材や新形状において位置および回転予測の両方の一般化誤差を低減しており、ドメインシフトに対して強い耐性を示している。
• 残差学習アプローチは、解析的モデルの強いインダクティブバイアスのおかげで、エンドツーエンド学習よりも少ないデータ量で高い精度に到達できるため、データ効率に優れている。
• 摩擦的および接触不安定性に起因する複雑なマルチモーダルな結果分布を、完全に解析的モデルでは表現できないが、本モデルはそれを捉えている。
• データ駆動型であるにもかかわらず、十分に訓練された場合、物理的に不適切な予測を実際には回避しており、データによる効果的な暗黙の正則化が有効に機能していると考えられる。