[论文解读] Co-Designing Robots by Differentiating Motion Solvers.

Traiko Dinev, Carlos Mastalli+3 more|arXiv (Cornell University)|Mar 8, 2021

Robotic Locomotion and Control参考文献 21被引用 6

一句话总结

本文提出了一种双层优化框架，通过反向传播运动求解器，协同设计足式机器人的形态与动态步态，实现了无需简化假设的快速、可扩展且约束感知的设计。与基于采样的方法相比，该方法在迭代次数减少至三分之一以下的同时，计算复杂度呈线性增长。

ABSTRACT

We present a novel algorithm for the computational co-design of legged robots and dynamic maneuvers. Current state-of-the-art approaches are based on random sampling or concurrent optimization. A few recently proposed methods explore the relationship between the gradient of the optimal motion and robot design. Inspired by these approaches, we propose a bilevel optimization approach that exploits the derivatives of the motion planning sub-problem (the inner level) without simplifying assumptions on its structure. Our approach can quickly optimize the robot's morphology while considering its full dynamics, joint limits and physical constraints such as friction cones. It has a faster convergence rate and greater scalability for larger design problems than state-of-the-art approaches based on sampling methods. It also allows us to handle constraints such as the actuation limits, which are important for co-designing dynamic maneuvers. We demonstrate these capabilities by studying jumping and trotting gaits under different design metrics and verify our results in a physics simulator. For these cases, our algorithm converges in less than a third of the number of iterations needed for sampling approaches, and the computation time scales linearly.

研究动机与目标

• 为解决基于采样的方法和并发优化方法在协同设计足式机器人与动态动作时的局限性。
• 在保持完整动态保真度、关节极限和物理约束（如摩擦锥）的前提下，实现机器人形态的高效优化。
• 将关键的执行器极限纳入协同设计过程，而这些因素在现有方法中常被忽略。
• 在大规模设计问题中，实现比最先进基于采样的方法更快的收敛速度和更好的可扩展性。
• 在物理仿真中，通过多种设计指标验证该方法在跳跃和快跑等动态步态下的有效性。

提出的方法

• 该方法采用双层优化框架，外层优化机器人形态，内层求解运动规划问题。
• 通过对运动求解器的求解过程进行反向传播，实现无需对内层问题结构做简化假设的基于梯度的机器人设计更新。
• 该方法在优化流程中显式处理关节极限、摩擦锥和执行器极限等约束。
• 通过利用运动求解器解的解析梯度，避免了有限差分近似或随机采样的需求。
• 该算法与问题规模呈线性扩展，能够高效探索复杂的设计空间。
• 该框架在物理仿真器中实现并验证，适用于跳跃和快跑等动态步态。

实验结果

研究问题

• RQ1 能否通过反向传播运动求解器的双层优化框架，实现足式机器人与动态步态协同设计的更快收敛与更高可扩展性？
• RQ2 与基于采样的方法相比，该方法在收敛速度和可扩展性方面表现如何？
• RQ3 物理约束（如摩擦锥和执行器极限）在多大程度上能被有效整合到协同设计过程中？
• RQ4 该方法在实现高效基于梯度的机器人形态优化的同时，能否保持高保真度的动力学特性？
• RQ5 该方法能否在多种设计指标下成功协同优化机器人设计与动态动作（如跳跃和快跑）？

主要发现

• 所提方法在相同设计问题下，收敛所需的迭代次数少于基于采样方法的三分之一。
• 计算时间与问题规模呈线性关系，表明其可扩展性显著优于采样方法。
• 该方法成功将关键物理约束（如摩擦锥、关节极限和执行器极限）整合到协同设计流程中。
• 该算法在运动规划子问题上无需对动力学模型做简化假设，保持了完整的动态保真度。
• 在物理仿真中验证表明，该方法能有效实现跳跃和快跑等动态步态的协同设计，且适用于多种设计指标。
• 利用运动求解器提供的梯度信息，实现了更快的收敛速度和更高效的設計空间探索。