[論文レビュー] Identifying Mechanical Models through Differentiable Simulations

Chang‐Kyu Song, Abdeslam Boularias|arXiv (Cornell University)|May 11, 2020

Robot Manipulation and Learning参考文献 40被引用数 6

ひとこと要約

本論文は、非把持的プッシュ操作を通じて未知の3D物体の機械的特性——質量分布や摩擦係数など——を同定するための微分可能物理学ベースの手法を提案する。2Dの微分可能物理学エンジンを3Dに拡張し、シミュレーション誤差に対する勾配降下法を用いることで、最小限の実世界データで30秒未塔の計算時間で高精度なモデル同定を達成した。これにより、多様な物体への迅速な適応が可能になった。

ABSTRACT

This paper proposes a new method for manipulating unknown objects through a sequence of non-prehensile actions that displace an object from its initial configuration to a given goal configuration on a flat surface. The proposed method leverages recent progress in differentiable physics models to identify unknown mechanical properties of manipulated objects, such as inertia matrix, friction coefficients and external forces acting on the object. To this end, a recently proposed differentiable physics engine for two-dimensional objects is adopted in this work and extended to deal forces in the three-dimensional space. The proposed model identification technique analytically computes the gradient of the distance between forecasted poses of objects and their actual observed poses and utilizes that gradient to search for values of the mechanical properties that reduce the reality gap. Experiments with real objects using a real robot to gather data show that the proposed approach can identify the mechanical properties of heterogeneous objects on the fly.

研究の動機と目的

• ロボットが非把持的プッシュ操作のみを用いて、未知の3D物体の機械的特性を同定できるようにすること。
• 物体固有のパラメータを学習することで、シミュレーションと現実世界の物体動的挙動のギャップを低減すること。
• 最小限の相互作用データで、非一様な質量および摩擦分布を有する物体に対しても、迅速かつリアルタイムでのモデル同定を可能にすること。
• 物理ベースのモデル同定におけるブラックボックス学習や有限差分勾配推定の限界を克服すること。
• 摩擦接触力を持つ3D剛体系への微分可能物理学シミュレーションの拡張

提案手法

• 物体は、非一様な分布をモデル化できる独立した質量および摩擦係数を有する剛体セルのメッシュに分解される。
• 2Dの微分可能物理学エンジンを3D剛体動的シミュレーションに拡張し、平面面上での摩擦接触力を含むシミュレーションが可能になる。
• シミュレーション誤差は、トラジェクトリにわたる予測された物体中心位置と観測された位置とのL2距離として定義される。
• 自動微分（Autograd）を用いて、機械的パラメータに関する誤差の勾配を解析的に計算し、効率的な最適化を可能にする。
• 勾配降下法を用いてシミュレーション誤差を最小化し、最適な質量および摩擦係数パラメータを同定する。
• 本手法は、Bulletを用いたシミュレーションおよび深度センシングカメラを搭載した実際のKukaロボットアームを用いた実験でも検証された。

実験結果

リサーチクエスチョン

• RQ1 摩擦接触を伴う3D剛体系への微分可能物理学シミュレーションを、リアルタイムのモデル同定を可能にするように効果的に拡張できるか？
• RQ2 少数の実世界プッシュ相互作用からの機械的特性（質量や摩擦）をどれだけ正確に回復できるか？
• RQ3 有限差分やグローバル最適化と比較して、解析的導関数を用いた勾配最適化は、速度および精度の面で優れているか？
• RQ4 ハンマーなど複雑な形状の不均一な物体において、非一様な質量および摩擦分布を同定できるか？
• RQ5 訓練用アクションの数が、学習された機械的モデルの収束性および精度にどのように影響するか？

主な発見

• 計算時間30秒未塔で、平均セル位置誤差が1.5cm未塔に抑えられ、高い効率性が示された。
• Autogradを用いた微分可能物理学エンジンにより、有限差分法よりも高速かつ収束性に優れた勾配計算が可能になった。
• ランダムおよび重み付きサンプリングなどのグローバル最適化手法は、高次元パラメータ空間において次元の呪いに苦しんでおり、効率的な収束が得られなかった。
• 訓練用アクションの数を増やすことでモデルの精度が向上したが、高次元最適化に起因して収束が遅くなった。
• 本手法は、ハンマーの重いヘッドや軽い木製ハンドルのような非一様な質量および摩擦分布を、高い忠実度で同定できた。
• 物体が部分的に遮蔽されていても、複雑な形状や不均一な質量分布を有する実世界の物体に対して、本手法は効果的に機能した。