[論文レビュー] Fast Aquatic Swimmer Optimization with Differentiable Projective Dynamics and Neural Network Hydrodynamic Models

Elvis Nava, John H. Zhang+6 more|arXiv (Cornell University)|Mar 30, 2022

Lattice Boltzmann Simulation Studies被引用数 4

ひとこと要約

本稿では、柔らかい体の変形に微分可能プロジェクト型動力学（DiffPD）を、流体の力学に物理制約付きニューラルネットワークを組み合わせた、微分可能でハイブリッドな流体構造挙動（FSI）シミュレータを提示する。この手法により、水中ロボットの設計を高速かつ高精度に、勾配に基づいて最適化できる。従来のFSIソルバーよりも100倍高速でありながら物理的整合性を維持しており、泳ぎの制御パラメータを勾配降下法で直接最適化可能である。

ABSTRACT

Aquatic locomotion is a classic fluid-structure interaction (FSI) problem of interest to biologists and engineers. Solving the fully coupled FSI equations for incompressible Navier-Stokes and finite elasticity is computationally expensive. Optimizing robotic swimmer design within such a system generally involves cumbersome, gradient-free procedures on top of the already costly simulation. To address this challenge we present a novel, fully differentiable hybrid approach to FSI that combines a 2D direct numerical simulation for the deformable solid structure of the swimmer and a physics-constrained neural network surrogate to capture hydrodynamic effects of the fluid. For the deformable solid simulation of the swimmer's body, we use state-of-the-art techniques from the field of computer graphics to speed up the finite-element method (FEM). For the fluid simulation, we use a U-Net architecture trained with a physics-based loss function to predict the flow field at each time step. The pressure and velocity field outputs from the neural network are sampled around the boundary of our swimmer using an immersed boundary method (IBM) to compute its swimming motion accurately and efficiently. We demonstrate the computational efficiency and differentiability of our hybrid simulator on a 2D carangiform swimmer. Due to differentiability, the simulator can be used for computational design of controls for soft bodies immersed in fluids via direct gradient-based optimization.

研究の動機と目的

• ソフトロボットスイマーにおける流体構造挙動（FSI）のシミュレーションにかかる高コストを低減すること。特に、設計および制御最適化の文脈で。
• FSIシミュレーションを完全に微分可能にすることで、ロボットスイマーの制御パラメータを勾配ベースで最適化可能にする。
• 微分可能な固体力学と学習された流体力学を組み合わせた、計算効率的かつ物理的に正確なFSIフレームワークを開発すること。
• 本シミュレータを用いて泳ぎの周波数や性能を直接最適化可能であることを実証すること。
• 標準的なFSIソルバーよりも物理的整合性と計算効率の両面で妥当性を検証すること（COMSOLを基準として）。

提案手法

• スイマーの変形可能な固体構造は、微分可能有限要素法（FEM）である微分可能プロジェクト型動力学（DiffPD）を用いてシミュレートする。これにより、固体力学の勾配計算が効率的に行える。
• 流体の力学は、非圧縮性ナビエ-ストークス方程式に基づいた物理的損失関数で訓練されたU-Netニューラルネットワークでモデル化する。これにより、ラベル付き学習データの必要性が排除される。
• 微分可能な浸漬法（IBM）とガウス距離関数を用いて、流体-固体界面における流体-固体力の計算を行う。この際、ニューラルネットワークが予測する圧力場および速度場を界面でサンプリングする。
• 流体境界条件は、微分可能レンダリング技術を用いたソフトマスクとして実装され、流体-固体界面全域で微分可能性が維持される。
• 全シミュレータはエンドツーエンド微分可能であり、勾配チェックポイント技術を用いて長時間シミュレーションエピソードの時間方向にバックプロパゲーションが可能である。
• 制御パラメータ（例：泳ぎの周波数）は、Adamなどの一次勾配法を用いて最適化され、シミュレーションの微分可能性を活用する。

実験結果

リサーチクエスチョン

• RQ1 微分可能な固体力学と学習された流体力学を組み合わせたハイブリッドFSIシミュレータは、計算効率と物理的正確性の両方を達成できるか？
• RQ2 得られたシミュレータは、泳ぎの周波数などロボットスイマーの制御パラメータを直接勾配ベースで最適化可能か？
• RQ3 標準的なFSIソルバーよりも（例：COMSOL）速度と物理的一致性の面で性能に差があるか？
• RQ4 微分可能なシミュレータは、性能指標（例：移動距離）の単調性関係を保持しているか？これにより、信頼性のある最適化が可能か？
• RQ5 ニューラルネットワークによる流体モデルは、再トレーニングなしに未学習の流体パラメータ（例：密度、粘性係数）に一般化可能か？

主な発見

• ハイブリッドシミュレータはCOMSOL Multiphysicsに比べ100倍の高速化を達成した。300フレームのエピソードにおいて、前方計算は3分33秒で完了したのに対し、COMSOLでは5時間16分39秒を要した。
• 2次元のカランフォームスイマーにおいて、実際の前進運動を再現した。魚は5 Hzで最大の前進距離を達成し、COMSOLの結果と整合的であった。
• ハイブリッドシミュレータとCOMSOLの両者で、泳ぎの周波数と移動距離との間で単調な関係が保持されており、本手法の物理的一致性が検証された。
• 泳ぎの周波数の勾配ベース最適化は、Adamを用いて21イテレーションで6.3 Hzに収束した。一方、CMA-ESは初期化から脱出できず、2.63 Hzで停止した。
• バックプロパゲーションは勾配チェックポイントのため3分57秒を要したが、長時間最適化においても計算的に実行可能である。
• 本手法により、ソフトボディの泳ぎを直接微分可能にシミュレート可能となり、ソフトロボティクスにおける形状・材料・制御の共同最適化に適している。