[论文解读] Design, Validation, and Case Studies of 2D-VSR-Sim, an Optimization-friendly Simulator of 2-D Voxel-based Soft Robots

Eric Medvet, Alberto Bartoli+2 more|arXiv (Cornell University)|Jan 23, 2020

Micro and Nano Robotics被引用 6

一句话总结

本论文提出2D-VSR-Sim，一个基于Java的2D体素软体机器人（VSR）仿真框架，旨在加速对机器人本体与控制器的优化。该框架支持感知功能、模块化设计及任务特定评估，可高效探索进化与学习驱动的优化方法。关键结果表明，集成感知功能的控制器显著提升了各类VSR形态（如蠕虫形、双足形与三足形）的运动性能。

ABSTRACT

Voxel-based soft robots (VSRs) are aggregations of soft blocks whose design is amenable to optimization. We here present a software, 2D-VSR-Sim, for facilitating research concerning the optimization of VSRs body and brain. The software, written in Java, provides consistent interfaces for all the VSRs aspects suitable for optimization and considers by design the presence of sensing, i.e., the possibility of exploiting the feedback from the environment for controlling the VSR. We experimentally characterize, from a mechanical point of view, the VSRs that can be simulated with 2D-VSR-Sim and we discuss the computational burden of the simulation. Finally, we show how 2D-VSR-Sim can be used to repeat the experiments of significant previous studies and, in perspective, to provide experimental answers to a variety of research questions.

研究动机与目标

• 提供一个软件框架，通过抽象低层次的机械建模，简化体素软体机器人（VSRs）的优化过程。
• 在统一且可扩展的接口中支持本体与控制器的联合优化，适用于多种优化技术。
• 将环境感知功能原生集成至仿真中，使控制器能够使用实时状态反馈。
• 通过开箱即用的可视化功能与一致的组件接口，降低研究人员的实现负担。
• 通过经过验证的开源仿真环境，实现对先前VSR研究的可复现性与可扩展性。

提出的方法

• 仿真器采用离散时间、连续空间的机械模型，每个体素由四个刚性质量点通过弹簧阻尼系统（SDSs）及无质量绳索连接而成。
• 体素骨架结构可通过用户定义的SDS组（侧向外、侧向内、侧向交叉与对角线）进行配置，其刚度与阻尼等属性可调。
• 控制器实现为前馈神经网络（MLP），输入为体素的速度、加速度与旋转信息，输出为控制体素体积变化的指令。
• 仿真支持多个VSR与多种任务（如运动、抓取），其适应度由任务特定指标（如相对平均速度）定义。
• 优化采用进化算法（EA），在控制器权重空间中进行随机初始化（例如，4个体素蠕虫形VSR对应R^104空间）。
• 该框架基于Java实现，使用dyn4j物理引擎，通过关注点分离实现可视化，具备良好的可扩展性。

实验结果

研究问题

• RQ1 在控制器中引入环境感知功能，对VSR运动性能的提升程度如何？
• RQ2 VSR的模块化与设计灵活性在多大程度上支持本体与控制器的可扩展优化？
• RQ3 2D-VSR-Sim能否有效复现并扩展先前基于优化的VSR研究成果？
• RQ4 搜索空间大小（如因感知输入增加）对优化收敛性与性能的影响如何？
• RQ5 在简单VSR形态中，经优化的感知控制器可能涌现出哪些复杂且自组织的行为（如跳跃）？

主要发现

• 在所有VSR形态（蠕虫形、双足形、三足形）中，具备感知功能的控制器在运动任务中始终优于无感知控制器，实现了更高的中位相对平均速度。
• 在500次迭代内，感知情况下的最佳个体中位适应度显著提升，图11中的阴影区域表明10次EA重复实验中方差较低。
• 对于蠕虫形VSR，感知控制器实现了新型跳跃行为，该行为由检测到y轴加速度变化触发，通过体素的同步膨胀实现。
• 无感知控制器产生的波状运动效率较低，体素间膨胀存在相位偏移，导致前向运动效果不佳。
• 感知功能引入了额外输入，导致搜索空间扩大，且该扩大程度与观察到的性能提升幅度呈正相关。
• 该框架成功复现了先前研究的关键发现，验证了其保真度与在软体机器人优化实验研究中的实用性。