[논문 리뷰] Reality-Assisted Evolution of Soft Robots through Large-Scale Physical Experimentation: A Review.

Toby Howison, Simon Hauser외 2명|arXiv (Cornell University)|2020. 01. 01.

Modular Robots and Swarm Intelligence참고 문헌 132인용 수 2

한 줄 요약

이 논문은 소프트 로봇 분야에서의 현실 간극을 해소하기 위해 데이터 기반 모델링과 대규모 물리적 실험을 융합한 리얼리티 보조 진화 프레임워크를 소개한다. 자동화된 고속 물리적 실험을 통해 수집한 실제 데이터를 반복적으로 가상 모델에 적용함으로써, 복잡한 설계 공간을 효율적으로 탐색할 수 있으며, 실제 배치에서 성공하는 고성능의 소프트 로봇 형태와 제어기를 도출할 수 있다.

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.

연구 동기 및 목표

• 모의 실험에서 예상한 대로 작동하지 않는 현실 세계로의 전이 실패를 겪는 소프트 로봇 설계에서 발생하는 현실 간극을 해결한다.
• 순수 모델 기반 또는 모델 프리 디자인 접근 방식의 한계를 극복하기 위해 시뮬레이션과 물리적 실험을 통합한다.
• 설계 반복과 데이터 수집을 가속화하기 위해 소프트 로봇 설계의 스케일러블하고 자동화된 제작 및 테스트를 가능하게 한다.
• 물리적 실험에 기반하여 가상 로봇의 복잡성이 모델 정확도와 제작 가능성과 일치하도록 유지한다.
• 실제 실험 데이터와 가상 모델 간의 피드백 루프를 구축하여 예측 정확도와 설계 이행 가능성을 반복적으로 향상시킨다.

제안 방법

• 대규모 물리적 실험에서 수집한 실제 실험 데이터를 기반으로 훈련된 데이터 기반 모델을 사용하여 가상 시뮬레이션의 정밀도를 향상시킨다.
• 실제 세계 데이터로 캘리브레이션된 물리 엔진을 적용하여 가상 로봇 행동의 예측 정확도를 향상시킨다.
• MAP-Elites 및 베이지안 최적화와 같은 최적화 알고리즘을 사용하여 시뮬레이션 내에서 다양한 고성능 설계를 탐색한다.
• 수백에서 수천 개의 물리적 설계를 고속으로 평가할 수 있도록 자동화된 로봇 제작 및 테스트 시스템을 구현한다.
• 한 대의 하드웨어 설정에서 여러 형태와 제어기를 테스트할 수 있도록 모듈식이고 재구성 가능한 플랫폼을 활용한다.
• 컴퓨터 비전과 궤적 추적 기술을 활용하여 물리 실험에서 행동 데이터를 추출하고, 이를 모델 정밀도 향상에 활용한다.

실험 결과

연구 질문

• RQ1 실제 물리 실험에서 수집한 데이터 기반 모델을 효과적으로 훈련하여 소프트 로봇의 시뮬레이션 정밀도를 향상시키는 방법은 무엇인가?
• RQ2 대규모 물리적 실험은 소프트 로봇 설계 과정에서 현실 간극을 줄이는 데 어떤 역할을 하는가?
• RQ3 자동화된 제작 및 테스트 시스템은 로봇 설계 평가의 처리 능력과 스케일러비리티를 어떻게 향상시키는가?
• RQ4 가상 설계 탐색을 물리적 데이터에 기반하여 하여, 제작 및 모델링 한계를 초월한 과도한 복잡성 방지 방법은 무엇인가?
• RQ5 실제 실험에서의 피드백을 활용하여 가상 모델을 반복적으로 향상시키는 데 가장 효과적인 방법은 무엇인가?

주요 결과

• 로봇 팔을 활용한 종이 조각 낙하 실험과 같은 대규모 물리적 실험 시스템을 통해 수백 개의 실제 궤적 데이터를 수집하여 데이터 기반 모델링에 활용하였다.
• 레이놀즈 수와 차원 없는 관성 모멘트의 k-means 군집화를 기반으로 한 데이터 기반 모델이 종이 형태의 다양한 낙하 행동을 성공적으로 포착하였다.
• MAP-Elites 알고리즘이 격자 탐색이나 무작위 샘플링에 비해 시뮬레이션 내에서 더 다양한 고성능의 소프트 로봇 설계를 발견하였으며, 특히 형태 및 제어 파rameter 공간에서 두드러진 성능을 보였다.
• 리얼리티 보조 진화는 500종의 다양한 낙하 종이 형태를 실제 세계에서 성공적으로 구현하여 이 프레임워크의 확장성과 타당성을 입증하였다.
• 가우시안 프로세스 모델과 베이지안 최적화의 통합을 통해 최소한의 물리적 시험으로도 고성능의 점프 및 펄럭임 로봇 설계를 효율적으로 탐색할 수 있었다.
• 시뮬레이션과 물리적 테스트 간의 반복적 피드백을 통해 생물학적으로 영감을 받은 복잡한 소프트 로봇—예를 들어 살아있는 세포 로봇과 모듈러 소프트 로봇—의 진화를 가능하게 하였다.