[論文レビュー] Reality-Assisted Evolution of Soft Robots through Large-Scale Physical Experimentation: A Review.

Toby Howison, Simon Hauser+2 more|arXiv (Cornell University)|Jan 1, 2020

Modular Robots and Swarm Intelligence参考文献 132被引用数 2

ひとこと要約

本論文では、データ駆動型モデリングと大規模な物理的実験を統合することで、ソフトロボティクスにおけるリアリティギャップを埋めるリアリティ支援進化フレームワークを提案する。自動化された高スループットの物理的テストから得られる現実世界のデータを繰り返し用いて仮想モデルを精緻化することで、複雑な設計空間の効率的探索が可能となり、実世界での実装に成功する高パフォーマンスなソフトロボットの形状と制御法が得られる。

ABSTRACT

In this review we introduce the framework of reality-assisted evolution to summarize a growing trend towards combining model-based and model-free approaches to improve the design of physically embodied soft robots. In silico, data-driven models build, adapt and improve representations of the target system using real-world experimental data. By simulating huge numbers of virtual robots using these data-driven models, optimization algorithms can illuminate multiple design candidates for transference to the real world. In reality, large-scale physical experimentation facilitates the fabrication, testing and analysis of multiple candidate designs. Automated assembly and reconfigurable modular systems enable significantly higher numbers of real-world design evaluations than previously possible. Large volumes of ground-truth data gathered via physical experimentation can be returned to the virtual environment to improve data-driven models and guide optimization. Grounding the design process in physical experimentation ensures the complexity of virtual robot designs does not outpace the model limitations or available fabrication technologies. We outline key developments in the design of physically embodied soft robots under the framework of reality-assisted evolution.

研究の動機と目的

• シミュレートされたロボット設計が現実世界に移行した際に期待通りに動作しない、ソフトロボティクスにおけるリアリティギャップを解消すること。
• 純粋にモデルベースまたはモデルフリーな設計手法の限界を克服し、シミュレーションと物理的実験を統合すること。
• ソフトロボット設計のスケーラブルで自動化された製造とテストを可能にし、設計の反復とデータ収集を加速すること。
• 物理的実験に基づく根拠によって、仮想ロボットの複雑さがモデルの精度と製造可能性の範囲内に保たれることを保証すること。
• 現実世界のデータと仮想モデルの間のフィードバックループを構築し、予測精度と設計の転送可能性を段階的に向上させること。

提案手法

• 大規模な物理的実験から得た真の実験データを用いて訓練されたデータ駆動型モデルを活用し、仮想シミュレーションの忠実性を向上させる。
• 現実世界のデータでチューニングされた物理エンジンを適用し、仮想ロボットの挙動予測精度を向上させる。
• MAP-Elites やベイズ最適化などの最適化アルゴリズムを用いて、シミュレーション内で多様で高パフォーマンスな設計を探索する。
• ロボットによる自動化された製造とテストシステムを実装し、数百～数干の物理的設計の高スループット評価を可能にする。
• 複数の形状と制御法を1台のハードウェアセットでテストできるモジュラーや再構成可能なプラットフォームを活用する。
• コンピュータビジョンと軌道追跡を活用し、物理的実験から行動データを抽出してモデルの精緻化に役立てる。

実験結果

リサーチクエスチョン

• RQ1 リアルワールドの物理的実験から得たデータを効果的に活用して、データ駆動型モデルを訓練することで、ソフトロボティクスにおけるシミュレーションの忠実性をどのように向上させられるか？
• RQ2 ソフトロボットの設計プロセスにおいて、大規模な物理的実験がリアリティギャップをどのように低減するか？
• RQ3 自動化された製造とテストシステムは、ロボット設計評価のスループットとスケーラビリティをどのように向上させるか？
• RQ4 仮想設計探索を物理的データに基づいて根拠づけることで、製造およびモデリングの限界を超えた過剰な複雑さをどのように回避できるか？
• RQ5 現実世界の実験からのフィードバックを用いて、仮想モデルを段階的に改善する最も効果的な方法は何か？

主な発見

• ロボットアームを用いた紙の形の落下実験など、大規模な物理的実験システムにより、データ駆動型モデリングに適した数百の現実世界の軌道データが収集された。
• レイノルズ数と次元なし慣性モーメントのk-meansクラスタリングに基づくデータ駆動型モデルが、紙の形状における多様な落下挙動を的確に捉えた。
• MAP-Elitesアルゴリズムは、グリッドサーチやランダムサンプリングに比べ、特に形状的および制御パrameter空間においてより多様で高パフォーマンスなソフトロボット設計を発見した。
• リアリティ支援進化により、500種類の異なる落下紙の形状が実世界で成功裏に実装され、フレームワークのスケーラビリティが実証された。
• ガウス過程モデルとベイズ最適化の統合により、最小限の物理的試行で高パフォーマンスなジャンピングおよびフラッピングロボット設計の探索が効率的に行えた。
• シミュレーションと物理的テストの繰り返しフィードバックを通じて、細胞のような生物的インスピレーションを受ける複雑なソフトロボット（例：セルロボットやモジュラーモジュール型ソフトロボット）の進化が可能になった。