[论文解读] Elastic Context: Encoding Elasticity for Data-driven Models of Textiles

Alberta Longhini, Marco Moletta+7 more|arXiv (Cornell University)|Sep 12, 2022

Textile materials and evaluations被引用 4

一句话总结

本文提出弹性上下文（Elastic Context, EC），一种基于应力-应变曲线的、数据驱动的方法，用于编码纺织品弹性，以实现机器人操作中的力预测。通过将EC整合到图神经网络（GNNs）中，该模型在仿真和真实世界实验中均实现了对多样化弹性行为的精确力预测，且EC的维度显著提升了真实场景中非线性力建模的性能。

ABSTRACT

Physical interaction with textiles, such as assistive dressing, relies on advanced dextreous capabilities. The underlying complexity in textile behavior when being pulled and stretched, is due to both the yarn material properties and the textile construction technique. Today, there are no commonly adopted and annotated datasets on which the various interaction or property identification methods are assessed. One important property that affects the interaction is material elasticity that results from both the yarn material and construction technique: these two are intertwined and, if not known a-priori, almost impossible to identify through sensing commonly available on robotic platforms. We introduce Elastic Context (EC), a concept that integrates various properties that affect elastic behavior, to enable a more effective physical interaction with textiles. The definition of EC relies on stress/strain curves commonly used in textile engineering, which we reformulated for robotic applications. We employ EC using Graph Neural Network (GNN) to learn generalized elastic behaviors of textiles. Furthermore, we explore the effect the dimension of the EC has on accurate force modeling of non-linear real-world elastic behaviors, highlighting the challenges of current robotic setups to sense textile properties.

研究动机与目标

• 解决在机器人操作中建模复杂、非线性纺织品弹性行为的挑战，其中材料和结构特性通常事先未知。
• 克服传统解析模型计算成本高且无法实时应用的局限性。
• 开发一种可泛化的、数据驱动的弹性编码方法，可与常见机器人传感硬件兼容。
• 研究EC维度对仿真和真实世界场景中线性和非线性弹性行为建模精度的影响。
• 实现在辅助机器人和人机交互任务中对纺织品进行精确力控制的鲁棒力预测。

提出的方法

• 将弹性上下文（EC）定义为一种源自机器人拉伸和拉伸纺织品过程中力-力矩测量的、受应力-应变曲线启发的嵌入表示。
• 为机器人应用重新表述传统纺织工程中的应力-应变曲线，实现弹性行为的实时编码。
• 将EC作为条件输入集成到图神经网络（GNNs）中，以建模机器人作用下纺织品节点的力动态和形变。
• 使用PyBullet仿真生成具有多样化弹性特性的合成训练数据，用于初步评估。
• 利用两台Franka-Emika Panda机器人采集真实世界交互数据，评估EC在非线性弹性行为中的性能。
• 在真实世界数据上训练多层感知机（MLPs），EC维度为n_EC ∈ [0,5]，基于动作和EC预测下一步的力。

实验结果

研究问题

• RQ1 弹性上下文（EC）能否以有效方式编码纺织品的弹性行为，从而提升机器人操作中数据驱动的力建模性能？
• RQ2 EC维度如何影响仿真和真实世界场景中力预测的准确性？
• RQ3 在建模线性和非线性弹性行为时，EC是否优于不包含弹性信息的基线模型？
• RQ4 EC能否在真实世界机器人交互中泛化到具有多样化弹性特性的未见过的纺织品样本？
• RQ5 EC在捕捉真实世界纺织品操作中的非线性力动态方面是否有效，尤其相较于低维EC近似？

主要发现

• 采用EC的GNN模型（n_EC = 1）的力预测误差（0.269 ± 0.301 N）与理想模型（0.207 ± 0.239 N）相当，证明EC在编码弹性方面的有效性。
• 不使用EC的基线模型表现出显著更高的力预测误差（3.169 ± 2.434 N），证实弹性信息对精确建模至关重要。
• 在真实世界实验中，将EC维度从1提升至5可降低力预测均方误差（MSE），且在更高维度时达到最低误差，表明对非线性行为的建模能力得到提升。
• n_EC = 1的模型在非线性真实世界力曲线上的表现较差，而高维EC变体则表现出显著改进，凸显EC维度对复杂动态建模的重要性。
• 由于各向同性弹性及基于位移的动作，各模型的图滚动预测结果相近，但EC的影响在力预测中最为显著。
• EC可在无需事先知晓纱线材料或编织工艺的情况下实现精确的力建模，使其适用于真实世界机器人部署。