[论文解读] Identifying Mechanical Models through Differentiable Simulations

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

Robot Manipulation and Learning参考文献 40被引用 6

一句话总结

本文提出了一种基于可微分物理的方法，通过非抓握式推动动作识别未知3D物体的机械属性（如质量分布和摩擦系数）。通过将2D可微分物理引擎扩展至3D，并利用模拟误差的梯度下降法，该方法在30秒内即可实现高精度的模型识别，且仅需极少的真实世界数据，从而实现对异质物体的快速适应。

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.

研究动机与目标

• 使机器人仅通过非抓握式推动动作即可识别未知3D物体的机械属性。
• 通过学习特定物体的参数来缩小模拟与真实世界物体动力学之间的现实差距。
• 实现在极少数交互数据下快速、即时的模型识别，尤其适用于质量与摩擦分布不均匀的物体。
• 克服基于黑箱学习和有限差分梯度估计在基于物理的模型识别中的局限性。
• 将可微分物理模拟扩展至具有摩擦接触力的3D刚体系统。

提出的方法

• 物体被分解为具有独立质量和摩擦系数的刚性单元网格，以建模非均匀分布。
• 将可微分物理引擎扩展至模拟具有摩擦接触力的3D刚体动力学，作用于水平表面。
• 模拟误差定义为轨迹中预测与观测物体中心位置之间的L2距离。
• 利用自动微分（Autograd）解析计算误差相对于机械参数的梯度，以实现高效优化。
• 采用梯度下降算法最小化模拟误差，以识别最优质量和摩擦参数。
• 该方法在Bullet仿真环境中以及使用深度感知相机追踪的真实Kuka机械臂上均进行了验证。

实验结果

研究问题

• RQ1 可微分物理模拟能否有效扩展至具有摩擦接触力的3D刚体系统，以实现实时模型识别？
• RQ2 能否从少量真实世界推动交互中高精度恢复如质量和摩擦等机械属性？
• RQ3 与有限差分或全局优化方法相比，基于梯度的优化方法是否在速度和精度上更具优势？
• RQ4 该方法能否成功识别如锤子或复杂形状工具等异质物体中的非均匀质量与摩擦分布？
• RQ5 训练动作的数量如何影响所学习机械模型的收敛性和准确性？

主要发现

• 该方法在30秒计算时间内实现了平均单元位置误差小于1.5厘米，证明了其高效性。
• 结合Autograd的可微分物理引擎实现了快速且精确的梯度计算，其速度和收敛性均优于有限差分方法。
• 如随机采样和加权采样等全局优化方法受维度灾难影响，在高维参数空间中难以高效收敛。
• 增加训练动作数量可提高模型精度，但因优化维度更高而减缓了收敛速度。
• 该方法成功识别出非均匀质量与摩擦分布，包括锤子的沉重锤头和较轻的木柄，且保真度高。
• 该方法在真实世界物体上表现良好，包括具有复杂几何形状和质量分布不均的工具，即使物体部分被遮挡也能有效工作。