[論文レビュー] Differentiable Simulation of Soft Multi-body Systems

Yi-Ling Qiao, Junbang Liang+2 more|arXiv (Cornell University)|May 3, 2022

Soft Robotics and Applications参考文献 40被引用数 10

ひとこと要約

本稿では、Projective Dynamicsにおける上位から下への行列アセンブリにより、可動骨格、ドライ摩擦接触、現実的なアクチュエータ（筋肉、ジョイントトーラス、気圧）を統合した微分可能シミュレータを提案する。このフレームワークにより、強化学習や勾配なし手法と比較して、システム同定や運動制御の高速化が可能になる。

ABSTRACT

We present a method for differentiable simulation of soft articulated bodies. Our work enables the integration of differentiable physical dynamics into gradient-based pipelines. We develop a top-down matrix assembly algorithm within Projective Dynamics and derive a generalized dry friction model for soft continuum using a new matrix splitting strategy. We derive a differentiable control framework for soft articulated bodies driven by muscles, joint torques, or pneumatic tubes. The experiments demonstrate that our designs make soft body simulation more stable and realistic compared to other frameworks. Our method accelerates the solution of system identification problems by more than an order of magnitude, and enables efficient gradient-based learning of motion control with soft robots.

研究の動機と目的

• ソフトアーティキュレーテッドロボットの物理的挙動をリアルに再現できる高速な微分可能シミュレーションを実現すること。
• 既存の微分可能物理フレームワークにおける接触モデリングとマルチボディシステムへのスケーラビリティの制限を解決すること。
• 高次元のソフトロボティクス問題におけるシステム同定および運動制御の勾配ベース最適化を支援すること。
• 筋肉、ジョイントトーラス、気圧アクチュエータといった多様なアクチュエータモデルを統合的に微分可能シミュレーションパイプラインに組み込むこと。
• Coulombの摩擦法則を強制することで物理的リアリズムを向上させるとともに、新しい行列分割戦略により接触ソルバの安定化を図ること。

提案手法

• Projective Dynamics内に上位から下への行列アセンブリアルゴリズムを開発し、ソフトボディダイナミクスと低次元座標のアーティキュレーテッドスケルトンを結合する。
• 布のシミュレーションから拡張された一般化されたドライ摩擦モデルに、新たな行列分割戦略を導入してソルバの安定化を実現する。
• 筋肉、ジョイントトーラス、気圧アクチュエータの解析的モデルを統合し、物理的忠実度を向上させる。
• ペナルティベース手法の一般的な問題を回避するため、Coulombの摩擦法則を接触処理に強制的に適用する。
• シミュレーションパイプライン全体が完全に微分可能であり、勾配ベース最適化のための時間方向バックプロパゲーションが可能である。
• 四面体メッシュを用いて、ソフト素材の適応的解像度と正確なボリューム表現を実現する。

実験結果

リサーチクエスチョン

• RQ1 ソフトマルチボディシステムの微分可能シミュレータは、物理的リアリズムと計算効率の両立を達成できるか？
• RQ2 微分可能なソフトボディダイナミクスにおいて、ドライ摩擦接触を正確にモデリングし、安定化できるか？
• RQ3 アーティキュレーテッドスケルトンと現実的なアクチュエータの統合は、シミュレーションの忠実度と最適化性能を向上させられるか？
• RQ4 微分可能物理は、ソフトロボティクスにおける勾配ベースのシステム同定および運動制御をどの程度高速化できるか？
• RQ5 高次元制御タスクにおいて、本手法は強化学習および勾配なし最適化と比較してどの程度優れているか？

主な発見

• 4アームのソフトグリッパーでは、本手法は10エピソードで収束するが、PPOとCMA-ESはそれぞれ500および200エピソードを要する。
• 25,600の最適化変数を持つ筋肉駆動型オクトパスでは、本手法は50エピソードで収束するが、他の手法は500エピソード経過しても収束しない。
• 500次元の制御空間を持つ魚型ロボットでは、本シミュレータを用いた勾配ベース最適化は約50エピソードで収束するが、ベースライン手法は500エピソード経過しても収束しない。
• 微分可能フレームワークにより、強化学習や勾配なし最適化と比較して、運動制御タスクにおける収束速度が桁違いに向上する。
• 接触、駆動、スケルトン制約の複雑な相互作用を正確にシミュレートでき、安定的かつ物理的に妥当な挙動を示す。
• 高次元制御問題において本手法はスケーラビリティとロバストネスを示しており、ソフトロボティクスにおける勾配ベース最適化の優位性を強力に裏付けている。