[論文レビュー] SoftZoo: A Soft Robot Co-design Benchmark For Locomotion In Diverse Environments

Tsun-Hsuan Wang, Pingchuan Ma+6 more|arXiv (Cornell University)|Mar 16, 2023

Modular Robots and Swarm Intelligence被引用数 4

ひとこと要約

SoftZooは、氷、砂漠、湿原、水中など多様な環境において、最適化された形状と制御を併せ持つソフトロボットの共同設計を可能にする微分可能で物理ベースのベンチマークプラットフォームである。設計表現、環境-ロボット相互作用、勾配ベース最適化の系統的分析を可能にし、微分可能物理が共同設計の効率を著しく向上させ、筋肉形成とコントローラ合成における重要なトレードオフを明らかにする。

ABSTRACT

While significant research progress has been made in robot learning for control, unique challenges arise when simultaneously co-optimizing morphology. Existing work has typically been tailored for particular environments or representations. In order to more fully understand inherent design and performance tradeoffs and accelerate the development of new breeds of soft robots, a comprehensive virtual platform with well-established tasks, environments, and evaluation metrics is needed. In this work, we introduce SoftZoo, a soft robot co-design platform for locomotion in diverse environments. SoftZoo supports an extensive, naturally-inspired material set, including the ability to simulate environments such as flat ground, desert, wetland, clay, ice, snow, shallow water, and ocean. Further, it provides a variety of tasks relevant for soft robotics, including fast locomotion, agile turning, and path following, as well as differentiable design representations for morphology and control. Combined, these elements form a feature-rich platform for analysis and development of soft robot co-design algorithms. We benchmark prevalent representations and co-design algorithms, and shed light on 1) the interplay between environment, morphology, and behavior; 2) the importance of design space representations; 3) the ambiguity in muscle formation and controller synthesis; and 4) the value of differentiable physics. We envision that SoftZoo will serve as a standard platform and template an approach toward the development of novel representations and algorithms for co-designing soft robots' behavioral and morphological intelligence.

研究の動機と目的

• 形態と制御を同時に最適化する包括的で標準化されたプラットフォームの不足に対処する。
• 移動タスクにおける環境、ロボット設計、制御方針の相互作用を系統的に分析可能にする。
• 勾配ベースの共同設計アルゴリズムの開発を加速するための統一的で微分可能なシミュレーションフレームワークを提供する。
• さまざまな設計表現と共同設計アルゴリズムをベンチマーク化し、性能要因と故障モードを特定する。
• 標準化された評価指標と環境を通じて、将来的なソフトロボティクス分野における形状的・行動的知能の研究基盤を構築する。

提案手法

• 物質点法（MPM）に基づく微分可能なマルチフィジックスエンジンを導入し、氷、粘土、雪、水中など自然に由来する複雑な環境をシミュレートする。
• 複数のロボット設計表現をサポート：幾何形状のためのSDF-Lerpとワサーラインンベアリセンタ、形状プリミティブ間のワサーライン距離に基づく形状合成の係数を用いる。
• 物理エンジンを通じた勾配を提供することで、微分可能な制御および形状最適化を実現し、エンドツーエンドの誤差逆伝播を可能にする。
• 高速移動、俊敏な旋回、速度追従、ウェイポイント追従の4つの移動タスクを定義し、環境に応じた報酬関数を設定する。
• シロナマズ、コ caterpillar、イカ、パンダなどの生物学的にインspiredな設計を初期形状として採用し、多様な環境での性能を評価する。
• 強化学習（PPO）と勾配ベースの最適化（微分可能物理）を用い、5つの異なる乱数シードで性能を比較する。

Figure 1: An overview of SoftZoo with demonstration of various biologically-inspired designs.

実験結果

リサーチクエスチョン

• RQ1 異なる設計表現（例：SDF-Lerp 対 ワサーラインンベアリセンタ）は、共同設計されたソフトロボットの性能と安定性にどのように影響するか？
• RQ2 非微分可能または簡略化された物理モデルと比較して、微分可能物理は共同設計アルゴリズムの効率性と有効性にどのような影響を及えるか？
• RQ3 環境の性質（例：氷対湿原）は、移動タスクにおける最適な形状と制御方針にどのように影響するか？
• RQ4 筋肉形成とコントローラ合成の曖昧さはどの程度であり、それらの曖昧さが最適化結果にどのように影響するか？
• RQ5 勾配ベースの共同設計手法が失敗する状況はどのようなものか？また、勾配フリーな手法（例：RL）と比較して、失敗モードは何か？

主な発見

• 微分可能物理により、特に湿原や雪のような複雑な環境では、収束が速く、性能が向上する。勾配ベース手法はRLに比べてサンプル効率に優れる。
• ワサーラインンベアリセンタ表現はSDF-Lerpに比べて体積をより良く保持し、多様な地形でより安定的かつ高性能な設計を実現する。
• ウェイポイント追従タスクでは、微分可能物理を用いたRLが、ベースライン手法よりも高い成功確率（例：浅水域におけるイカで0.714 ± 0.072）を達成し、環境変動へのロバスト性を示した。
• 滑らかでない、不連続性の高い環境（例：氷や粘土）では、勾配ベースの共同設計が失敗し、微小な摂動によって性能が著しく低下する傾向にあり、物理モデルの忠実度に敏感であることが示された。
• 筋肉形成の曖昧さが明らかになった：複数の異なる筋肉配置が類似した性能を示し、設計空間が極めて非一意的であり、適切な正則化が不可欠であることがわかった。
• 俊敏な旋回タスクでは、イカとコ caterpillar の設計が、浅水域で最高の性能（それぞれ0.358 ± 0.024）を達成し、流体的環境における操縦性に形状と筋肉配置が極めて重要であることを示した。

Figure 2: Unique motions arising from morphology and environment to achieve locomotion.