[论文解读] Augmenting Physical Simulators with Stochastic Neural Networks: Case Study of Planar Pushing and Bouncing

Anurag Ajay, Jiajun Wu+5 more|arXiv (Cornell University)|Aug 9, 2018

Gaussian Processes and Bayesian Inference参考文献 19被引用 11

一句话总结

本文提出了一种混合物理模拟器，通过将解析的刚体动力学模型与随机神经网络相结合，以建模平面推挤和弹跳任务中的残差误差和不确定性。通过使用解耦的条件变分循环网络学习物理模型与真实世界数据之间的差异，该框架在准确性、对新形状和材料的泛化能力以及不确定性量化方面均优于纯解析模型或纯学习模型。

ABSTRACT

An efficient, generalizable physical simulator with universal uncertainty estimates has wide applications in robot state estimation, planning, and control. In this paper, we build such a simulator for two scenarios, planar pushing and ball bouncing, by augmenting an analytical rigid-body simulator with a neural network that learns to model uncertainty as residuals. Combining symbolic, deterministic simulators with learnable, stochastic neural nets provides us with expressiveness, efficiency, and generalizability simultaneously. Our model outperforms both purely analytical and purely learned simulators consistently on real, standard benchmarks. Compared with methods that model uncertainty using Gaussian processes, our model runs much faster, generalizes better to new object shapes, and is able to characterize the complex distribution of object trajectories.

研究动机与目标

• 解决现有物理模拟器在接触动力学中因简化接触模型而无法建模真实世界不确定性的缺陷。
• 提升涉及接触相互作用的机器人操作任务中的模拟准确性与不确定性量化能力。
• 开发一种数据高效、可泛化的框架，结合解析物理模型与数据驱动学习的优势。
• 通过从真实世界数据中学习残差误差，实现长期、多模态轨迹预测。
• 在训练分布之外的未见物体形状和材料上实现泛化。

提出的方法

• 将解析的刚体动力学模拟器（例如，基于椭球极限面）与随机神经网络结合，以建模预测残差。
• 使用解耦的条件变分循环神经网络（DC-V-RNN）学习解析模型与真实世界观测之间误差的分布。
• 在真实世界推挤数据集（例如，Yu 等人的数据集）上训练神经网络，以预测物体轨迹的完整后验分布。
• 将解析模型的确定性预测与神经网络的随机残差校正相结合，生成具有不确定性的、物理上合理的预测。
• 通过充分的训练数据和模型架构间接确保物理合理性，尽管在推理阶段未显式施加守恒定律。
• 使用 Chamfer 距离和在新材质与物体形状上的泛化误差评估性能。

实验结果

研究问题

• RQ1 学习到的残差模型是否能提升解析物理模拟器在真实世界平面推挤和弹跳场景中的准确性？
• RQ2 该混合模型在训练期间未见过的新物体形状和材料上的泛化能力如何？
• RQ3 随机神经网络组件是否能有效捕捉接触结果的复杂、多模态分布？
• RQ4 与纯解析或纯学习模拟器相比，该混合方法在性能和效率上表现如何？
• RQ5 从物理模型中学习残差是否能带来比端到端学习完整动力学更高的数据效率与泛化能力？

主要发现

• 该混合模型的 Chamfer 距离为 2.77 × 10⁻⁴，显著优于 GP-SUM 的 6.80 × 10⁻⁴，表明其在轨迹分布建模方面具有更优性能。
• 在不同材质（胶合板、聚氨酯、Delrin）和物体形状（包括新的矩形物体 rect2）上，该模型的泛化能力优于纯解析和纯学习基线模型。
• 该混合模型在位置和旋转预测上的泛化误差均有所降低，表明其对领域偏移具有鲁棒性。
• 由于解析模型提供了强归纳偏置，残差学习方法比端到端学习更具数据效率，即在更少数据下即可达到高精度。
• 该模型能够捕捉由摩擦和接触不稳定性引起的复杂、多模态结果分布，而纯解析模型无法有效表示此类现象。
• 尽管是数据驱动的，当充分训练后，该模型在实践中避免了物理上不合理的预测，表明数据驱动方式通过数据实现了有效的隐式正则化。