[論文レビュー] Sim2Real2Sim: Bridging the Gap Between Simulation and Real-World in Flexible Object Manipulation

Peng Chang, Taşkın Padır|arXiv (Cornell University)|Feb 6, 2020

Robot Manipulation and Learning参考文献 27被引用数 9

ひとこと要約

本論文では、実世界のデータを用いて段階的にシミュレーションモデルを最適化することで、柔軟なオブジェクトの操作におけるシミュレーションと現実のギャップを埋める、新しい三段階戦略であるSim2Real2Simを提案する。シミュレーテッド制御方針を実際のKinova Jaco V2ロボットに適用し、逆運動学に基づいてケーブルの物理的パラメータを同定し、現実世界の差異に基づいてシミュレーションを更新することで、荷重下でのケーブル変形において4.11%未満の誤差を達成した高精度なシミュレーションを実現。この手法により、両環境でDRCプラグタスクのエンドツーエンド自動化に成功した。

ABSTRACT

This paper addresses a new strategy called Simulation-to-Real-to-Simulation (Sim2Real2Sim) to bridge the gap between simulation and real-world, and automate a flexible object manipulation task. This strategy consists of three steps: (1) using the rough environment with the estimated models to develop the methods to complete the manipulation task in the simulation; (2) applying the methods from simulation to real-world and comparing their performance; (3) updating the models and methods in simulation based on the differences between the real world and the simulation. The Plug Task from the 2015 DARPA Robotics Challenge Finals is chosen to evaluate our Sim2Real2Sim strategy. A new identification approach for building the model of the linear flexible objects is derived from real-world to simulation. The automation of the DRC plug task in both simulation and real-world proves the success of the Sim2Real2Sim strategy. Numerical experiments are implemented to validate the simulated model.

研究の動機と目的

• 柔軟なオブジェクトのロボット操作における継続的なシミュレーションと現実のギャップに取り組むこと、特に物理モデルの不正確さと未モデル化されたダイナミクスによる影響を想定する。
• 実世界のデータを用いて、線形の柔軟なオブジェクト（例：ケーブル）の物理的パラメータを同定・キャリブレーションするための体系的な手法を開発すること。
• シミュレーションモデルの段階的最適化を通じて、シミュレーションから現実のロボットシステムへの制御方針の信頼性ある移行を可能にすること。
• シミュレーションと現実世界の両環境でDRCプラグタスクの自動化を実証することで、本手法の有効性を検証すること。
• シミュレーションモデルが、さまざまな荷重下での現実世界のケーブル変形を予測する高精度なモデルにキャリブレーション可能であることを示すこと。

提案手法

• Sim2Real2Sim戦略は三段階からなる：(1) 仮の物理モデルを用いた粗いシミュレーションで操作方針を開発する；(2) これらの方針を実際のロボットに適用し、パフォーマンスデータを収集する；(3) 実世界の観測結果を用いてシミュレーションモデルを最適化する。
• 実世界の運動学的および力のデータから、ケーブルの物理的パラメータ（質量、剛性など）を同定するために、逆運動学に基づくシステム同定法を用いる。
• ケーブルは離散ノードを有する質量スプリング系としてモデル化され、重力および外部荷重下での変形がシミュレートされる。
• 実世界のデータ収集にはRGB-Dカメラとインストルメンテッドロボットアームを用い、AprilTagsを用いてジョイントおよびケーブル先端の位置を追跡する。
• シミュレーテッドと実世界のジョイント角度およびケーブル先端のたるみ角の差を最小化することで、シミュレーションモデルを段階的に更新する。
• 制御実験を通じて、ケーブル先端に50gおよび100gの加重を追加し、シミュレーテッドと実際の変形を比較することで、モデルの正確性を検証する。

実験結果

リサーチクエスチョン

• RQ1 シミュレーション→現実→シミュレーションのループが、柔軟なオブジェクト操作におけるシミュレーションと現実のパフォーマンスギャップを効果的に縮小できるか？
• RQ2 逆運動学に基づく手法を用いて、実世界の運動学的データから線形の柔軟ケーブルの物理的パラメータをどれほど正確に同定できるか？
• RQ3 キャリブレーション後、シミュレーションモデルが重力および外部荷重下での現実世界のケーブル変形をどの程度正確に予測できるか？
• RQ4 モデル最適化を経た後、シミュレーションで開発された制御方針が、実際のロボット上でDRCプラグタスクを正常に実行できるか？
• RQ5 段階的モデル最適化の後、シミュレーションと現実世界の間でケーブル変形の最大誤差はどれほどか？

主な発見

• Sim2Real2Sim戦略は、シミュレーションおよび現実世界の両環境でDRCプラグタスクの自動化に成功し、実用性と信頼性を示した。
• 無重り実験では、シミュレーションと現実世界のジョイント位置間の最大誤差は3.53%であり、100gの荷重下では4.11%であった。
• ケーブルたるみ角の差は、ケーブル先端に100gの加重を加えた際、最大0.048 rad（4.11%誤差）であった。
• 無重り状態でのケーブル変形の平均誤差は1.71%であり、最初の固定リンクでは0.43%に低下し、高いモデル忠実度を示した。
• 逆運動学に基づくシステム同定法は、ケーブルの物理的特性を効果的に捉え、その変形を正確にシミュレート可能であった。
• 段階的最適化プロセスにより、シミュレーションと現実世界の行動の差異が顕著に減少し、Sim2Real2Simの核心的仮定が検証された。