[论文解读] Contact Points Discovery for Soft-Body Manipulations with Differentiable Physics

Sizhe Li, Zhiao Huang+4 more|arXiv (Cornell University)|May 5, 2022

Robot Manipulation and Learning被引用 4

一句话总结

本文提出 CPDeform，一种基于最优传输的可微分物理框架，通过最优传输方法发现接触点，以克服软体操控中因局部极小值导致的困难。通过迭代识别末端执行器的高优先级接触点，该方法能够有效完成单阶段与多阶段形变任务，在传统可微分物理方法失效的挑战性基准测试中显著提升成功率。

ABSTRACT

Differentiable physics has recently been shown as a powerful tool for solving soft-body manipulation tasks. However, the differentiable physics solver often gets stuck when the initial contact points of the end effectors are sub-optimal or when performing multi-stage tasks that require contact point switching, which often leads to local minima. To address this challenge, we propose a contact point discovery approach (CPDeform) that guides the stand-alone differentiable physics solver to deform various soft-body plasticines. The key idea of our approach is to integrate optimal transport-based contact points discovery into the differentiable physics solver to overcome the local minima from initial contact points or contact switching. On single-stage tasks, our method can automatically find suitable initial contact points based on transport priorities. On complex multi-stage tasks, we can iteratively switch the contact points of end-effectors based on transport priorities. To evaluate the effectiveness of our method, we introduce PlasticineLab-M that extends the existing differentiable physics benchmark PlasticineLab to seven new challenging multi-stage soft-body manipulation tasks. Extensive experimental results suggest that: 1) on multi-stage tasks that are infeasible for the vanilla differentiable physics solver, our approach discovers contact points that efficiently guide the solver to completion; 2) on tasks where the vanilla solver performs sub-optimally or near-optimally, our contact point discovery method performs better than or on par with the manipulation performance obtained with handcrafted contact points.

研究动机与目标

• 解决在软体操控过程中，由于初始接触点次优或固定而导致可微分物理求解器陷入局部极小值的挑战。
• 实现需要接触点切换的多阶段软体操控任务，而标准求解器往往无法完成此类任务。
• 开发一种基于几何原理、兼容现有可微分物理流水线的接触点发现方法。
• 在新基准 PlasticineLab-M 上评估该方法，以展示其在手工设计和随机选择接触点方法上的性能优势。
• 证明接触点发现可作为独立启发式方法，提升单阶段任务中求解器的性能。

提出的方法

• 利用最优传输（Wasserstein 距离）计算当前形状与目标形状之间的传输优先级，识别对形变具有高影响力的接触点。
• 利用这些传输优先级指导末端执行器的放置，有效模拟人类的迭代接触与形变行为。
• 在多阶段任务中应用启发式迭代切换机制，通过根据形状进展重新定位接触点，使求解器能够逃离局部极小值。
• 将接触点发现模块与独立的可微分物理求解器结合，实现对软体形变任务的梯度优化。
• 采用粒子表示法对软体进行建模，以高效计算形状差异与传输成本。
• 利用 PlasticineLab 可微分物理模拟器进行轨迹优化与梯度计算。

实验结果

研究问题

• RQ1 基于最优传输的接触点发现能否提升可微分物理求解器在软体操控任务中的成功率？
• RQ2 所提出的方法能否在无需人工干预的情况下，自动识别单阶段任务中合适的初始接触点？
• RQ3 该框架能否处理需要接触点切换的复杂多阶段任务，而传统求解器因陷入局部极小值而失败？
• RQ4 在单阶段任务中，该接触点发现方法的性能与手工设计或随机选择的接触点相比如何？
• RQ5 通过传输优先级实现的迭代接触点切换，在多阶段、长时程软体操控任务中，能在多大程度上实现任务完成？

主要发现

• 在传统可微分物理求解器无法完成的多阶段任务中，CPDeform 成功完成了 PlasticineLab-M 中新引入的全部七个任务，展现出对接触点切换的强鲁棒性。
• 在传统求解器表现次优或接近最优的单阶段任务中，仅使用接触点发现方法的性能优于或等同于手工设计的接触点。
• 基于最优传输的接触点发现方法在无需任务特定调优的情况下，性能可与人工定义的接触点相当或更优。
• 迭代的接触与形变策略通过根据形状进展动态重定位接触点，使求解器能够成功逃离局部极小值。
• 该方法在不同软体形状上具有良好的泛化能力，且无需材料特异性参数，仅依赖形状与拓扑信息。
• 该框架表明，通过最优传输进行几何分析，可作为可微分物理中接触点选择的有效启发式方法。