[논문 리뷰] Learning Particle Dynamics for Manipulating Rigid Bodies, Deformable Objects, and Fluids

Yunzhu Li, Jiajun Wu외 3명|arXiv (Cornell University)|2018. 10. 03.

Robot Manipulation and Learning참고 문헌 35인용 수 105

한 줄 요약

이 논문은 동적 그래프와 계층적 전파를 활용해 구체, 변형 가능한, 유체 재료를 시뮬레이션하고 제어하는 differentiable particle-based dynamics 모델(DPI-Nets)을 학습하여 실제 세계 조작과 온라인 적응을 가능하게 한다.

ABSTRACT

Real-life control tasks involve matters of various substances---rigid or soft bodies, liquid, gas---each with distinct physical behaviors. This poses challenges to traditional rigid-body physics engines. Particle-based simulators have been developed to model the dynamics of these complex scenes; however, relying on approximation techniques, their simulation often deviates from real-world physics, especially in the long term. In this paper, we propose to learn a particle-based simulator for complex control tasks. Combining learning with particle-based systems brings in two major benefits: first, the learned simulator, just like other particle-based systems, acts widely on objects of different materials; second, the particle-based representation poses strong inductive bias for learning: particles of the same type have the same dynamics within. This enables the model to quickly adapt to new environments of unknown dynamics within a few observations. We demonstrate robots achieving complex manipulation tasks using the learned simulator, such as manipulating fluids and deformable foam, with experiments both in simulation and in the real world. Our study helps lay the foundation for robot learning of dynamic scenes with particle-based representations.

연구 동기 및 목표

• 강건한 로봇 조작을 위한 다양한 물체 역학(강체, 변형 가능, 유체)의 모델링 도전 과제 해결.
• 재료 전반에 일반화되는 differentiable한 입자 기반 시뮬레이터를 제안.
• 짧은/긴 범위 상호작용을 포착하기 위한 동적 상호작용 그래프와 계층적 전파 도입.
• 학습된 다이내믹스를 이용한 온라인 적응 및 모델 기반 제어(MPC/샷팅) 가능.

제안 방법

• 동적 그래프 구성을 통한 입자 수준 다이나믹스에 인터랙션 네트워크 확장.
• 일부 객체의 장거리 의존성을 모델링하기 위한 입자들의 계층적 클러스터링 도입.
• 순간적이고 장거리 상호작용을 포착하기 위해 다중 단계 전파와 동적 그래프 사용.
• 가능한 경우 상태별 모션 예측기와 휴식 위치로 변형 및 유체 물질 모델링.
• 온라인 시스템 식별과 함께 경로 최적화(샷팅 방법) 및 MPC를 통한 모델 기반 제어 적용.

실험 결과

연구 질문

• RQ1 differentiable particle-based dynamics 모델이 강체, 변형 가능 물체 및 유체 물체 전반에 일반화될 수 있는가?
• RQ2 동적이고 즉시 구성된 인터랙션 그래프가 정적 그래프나 전체 그래프보다 순방향 예측을 개선하는가?
• RQ3 학습된 DPI-Nets가 시뮬레이션과 실제 작업 모두에서 효과적인 제어 및 온라인 적응을 가능하게 하는가?
• RQ4 계층적 전파가 긴 범위 의존성을 갖는 물체의 학습 및 제어에 어떤 영향을 미치는가?
• RQ5 알 수 없는 물성 매개변수 하에서 온라인 시스템 식별이 작업 성능에 어떤 영향을 미치는가?

주요 결과

• DPI-Nets가 선형… forward-simulation MSE에서 베이스라인보다 낮다(FluidFall: 0.15±0.03 vs HRN 0.21±0.04; BoxBath: 2.03±0.41 vs HRN 3.62±0.40).
• FluidShake 및 RiceGrip에서 DPI-Net은 HRN 및 계층 없음의 DPI-Net을 능가하며, 값은: FluidShake 1.89±0.36 (계층 유무 모두) 및 RiceGrip 0.13±0.07 (DPI-Net) 대 0.29±0.13 (계층 없음).
• 동적 그래프는 정적 그래프(IN)보다 우수하며 유체 및 다상 상호작용을 모델링 가능(BoxBath, FluidShake).
• 온라인 적응은 SGD 기반 온라인 시스템 식별을 통해 실제 세계의 조작을 개선한다(RiceGrip in Real World).
• 이 접근법은 MPC와 그래디언트 기반 경로 최적화를 사용해 변형 물체를 성형하고 유체를 목표 구성을 향해 유도하는 제어 문제를 가능하게 한다.