[논문 리뷰] Identifying Mechanical Models through Differentiable Simulations

Chang‐Kyu Song, Abdeslam Boularias|arXiv (Cornell University)|2020. 05. 11.

Robot Manipulation and Learning참고 문헌 40인용 수 6

한 줄 요약

이 논문은 비抓취적 밀기 동작을 통해 알려지지 않은 3D 물체의 기계적 성질—질량 분포 및 마찰 계수 등—을 식별하기 위한 미분 가능 물리 기반 방법을 제안한다. 2D 미분 가능 물리 엔진을 3D로 확장하고 시뮬레이션 오차에 대해 경사 하강법을 적용함으로써, 최소한의 실제 데이터만으로 30초 이내에 정확한 모델 식별을 달성한다. 이는 이질적인 물체에 대한 빠른 적응을 가능하게 한다.

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.

연구 동기 및 목표

• 로봇이 단지 비抓취적 밀기 동작만을 사용하여 알려지지 않은 3D 물체의 기계적 성질을 식별할 수 있도록 하는 것.
• 물체 특화 매개변수를 학습하여 시뮬레이션과 실제 세계의 물체 역학 간의 현실 격차를 줄이는 것.
• 특히 질량 및 마찰 분포가 비균일한 물체를 위한 최소한의 상호작용 데이터로 빠르고 실시간으로 모델 식별을 가능하게 하는 것.
• 물리 기반 모델 식별에서 블랙박스 학습과 유한차분 기반 경사 추정의 한계를 극복하는 것.
• 마찰 접촉력이 포함된 3D 강체 시스템에 대해 미분 가능 물리 시뮬레이션을 확장하는 것.

제안 방법

• 물체는 질량과 마찰 계수를 각각 독립적으로 가지는 강체 세포의 메쉬로 분해된다. 이는 비균일 분포를 모델링하기 위함이다.
• 2D에서의 미분 가능 물리 엔진을 3D 강체 역학 시뮬레이션으로 확장하여 평면 표면 위의 마찰 접촉력까지 고려한다.
• 시뮬레이션 오차는 궤적 전반에 걸쳐 예측된 물체 중심 위치와 관측된 위치 간의 L2 거리로 정의된다.
• 자동 미분(Autograd)을 사용해 기계적 매개변수에 대한 오차의 기울기를 해석적으로 계산함으로써 효율적인 최적화를 가능하게 한다.
• 경사 하강법 알고리즘이 시뮬레이션 오차를 최소화하여 최적의 질량 및 마찰 매개변수를 식별한다.
• 이 방법은 Bullet을 사용한 시뮬레이션 환경과 깊이 센서 카메라로 물체 위치를 추적하는 실제 Kuka 로봇 암을 통해 검증되었다.

실험 결과

연구 질문

• RQ1 마찰 접촉력이 포함된 3D 강체 시스템에 대해 미분 가능 물리 시뮬레이션을 효과적으로 확장하여 실시간 모델 식별을 가능하게 할 수 있는가?
• RQ2 소량의 실제 밀기 상호작용으로부터 질량 및 마찰과 같은 기계적 성질을 얼마나 정확하게 복원할 수 있는가?
• RQ3 유한차분 또는 전역 최적화 방법에 비해 분석 도함수를 사용한 경사 기반 최적화는 속도와 정확도 측면에서 우수한가?
• RQ4 비균일한 질량 및 마찰 분포를 가진 이질적인 물체—해머나 복잡한 형상을 가진 도구 등—에서 이 방법이 비균일 분포를 식별할 수 있는가?
• RQ5 학습 동작의 수가 학습된 기계적 모델의 수렴성과 정확도에 어떤 영향을 미치는가?

주요 결과

• 계산 시간 30초 이내 평균 셀 위치 오차가 1.5cm 이하로 나타나 높은 효율성을 입증하였다.
• Autograd를 사용한 미분 가능 물리 엔진이 빠르고 정확한 기울기 계산을 가능하게 하여, 속도와 수렴성 측면에서 유한차분 방법을 능가하였다.
• 랜덤 및 가중 샘플링을 포함한 전역 최적화 방법들은 차원의 저주에 시달려 고차원 매개변수 공간에서 효율적으로 수렴하지 못하였다.
• 학습 동작 수를 늘일수록 모델 정확도가 향상되었지만, 고차원 최적화로 인해 수렴 속도가 느려졌다.
• 비균일한 질량 및 마찰 분포—해머의 무거운 머리와 가벼운 나무 손잡이 등—을 고정밀도로 식별하는 데 성공하였다.
• 이 방법은 복잡한 형상과 비균일한 질량 분포를 가진 실제 물체, 심지어 부분적으로 가림을 입은 물체에서도 효과적으로 작동하였다.