[论文解读] Reality-Assisted Evolution of Soft Robots through Large-Scale Physical Experimentation: A Review.

Toby Howison, Simon Hauser+2 more|arXiv (Cornell University)|Jan 1, 2020

Modular Robots and Swarm Intelligence参考文献 132被引用 2

一句话总结

本文提出了现实辅助进化框架，通过将数据驱动建模与大规模物理实验相结合，弥合软体机器人中的现实差距。通过利用自动化、高通量的物理测试所获得的真实世界数据，迭代优化虚拟模型，该方法能够高效探索复杂的设计空间，从而获得在真实世界中成功部署的高性能软体机器人形态与控制器。

ABSTRACT

In this review we introduce the framework of reality-assisted evolution to summarize a growing trend towards combining model-based and model-free approaches to improve the design of physically embodied soft robots. In silico, data-driven models build, adapt and improve representations of the target system using real-world experimental data. By simulating huge numbers of virtual robots using these data-driven models, optimization algorithms can illuminate multiple design candidates for transference to the real world. In reality, large-scale physical experimentation facilitates the fabrication, testing and analysis of multiple candidate designs. Automated assembly and reconfigurable modular systems enable significantly higher numbers of real-world design evaluations than previously possible. Large volumes of ground-truth data gathered via physical experimentation can be returned to the virtual environment to improve data-driven models and guide optimization. Grounding the design process in physical experimentation ensures the complexity of virtual robot designs does not outpace the model limitations or available fabrication technologies. We outline key developments in the design of physically embodied soft robots under the framework of reality-assisted evolution.

研究动机与目标

• 解决软体机器人中的现实差距问题，即仿真机器人设计在实际部署时表现不如预期。
• 通过统一仿真与物理实验，克服纯模型驱动或无模型设计方法的局限性。
• 实现软体机器人设计的可扩展、自动化制造与测试，以加速设计迭代与数据收集。
• 通过基于物理实验的验证，确保虚拟机器人复杂度与模型精度及制造可行性保持一致。
• 建立现实世界数据与虚拟模型之间的反馈回路，以迭代提升预测精度与设计可迁移性。

提出的方法

• 利用大规模物理测试中获得的真实实验数据训练数据驱动模型，以提高虚拟仿真的保真度。
• 使用真实世界数据校准的物理引擎，提升虚拟机器人行为的预测准确性。
• 应用MAP-Elites与贝叶斯优化等优化算法，在仿真中探索多样化且高性能的设计。
• 实施自动化机器人制造与测试系统，实现对数百至数千种物理设计的高通量评估。
• 利用模块化与可重构平台，在单一硬件设置上测试多种形态与控制器。
• 借助计算机视觉与轨迹追踪技术，从物理实验中提取行为数据，用于模型优化。

实验结果

研究问题

• RQ1 如何在真实世界物理实验数据上有效训练数据驱动模型，以提升软体机器人仿真保真度？
• RQ2 大规模物理实验在软体机器人设计过程中如何减少现实差距？
• RQ3 自动化制造与测试系统如何提升机器人设计评估的吞吐量与可扩展性？
• RQ4 如何通过基于物理数据的虚拟设计探索，防止设计复杂度超出制造与建模能力的极限？
• RQ5 利用现实世界实验反馈迭代优化虚拟模型的最有效方法是什么？

主要发现

• 大规模物理实验系统（如用于投放纸张形状的机械臂）实现了数百条真实世界轨迹的采集，为数据驱动建模提供了支持。
• 基于雷诺数与无量纲转动惯量聚类的k-means数据驱动模型，成功捕捉了纸张形态的多样化下落行为。
• 与网格搜索或随机采样相比，MAP-Elites算法在仿真中发现了更多样化且性能更高的软体机器人设计，尤其在形态与控制参数空间中表现更优。
• 现实辅助进化成功实现了500种不同下落纸张形态在真实世界中的部署，证明了该框架的可扩展性。
• 将高斯过程模型与贝叶斯优化结合，仅通过少量物理实验便高效搜索到高性能跳跃与扑动机器人设计。
• 该框架通过仿真与物理测试之间的迭代反馈，实现了复杂生物启发式软体机器人的演化，如活细胞机器人与模块化软体机器人。