RAFL：软机器人残差加速度场学习的通用仿真到现实迁移
机器人学
2026-03-24 v1 机器学习
摘要
可微分仿真器使软机器人在材料参数、控制和形态上实现梯度优化，但准确建模真实系统仍具有挑战性，因为存在仿真到现实的差距。当几何本身成为设计变量时，这一问题更为突出。系统识别通过拟合全局材料参数来减少差异；然而，当本构模型指定不足或观测稀疏时，识别到的参数往往会吸收与几何相关的效应，而非反映材料本质行为。更具表达力的本构模型可提高精度，但显著增加计算成本，限制了实际应用。我们提出了残差加速度场学习（RAFL）框架，通过在基本仿真器上增添一种可迁移的元素级纠正动力学场。该模型基于共享的局部特征，对全局网格拓扑和离散方式不敏感。通过稀疏标记观测在可微分仿真器上端到端训练，所学残差可跨形态 generalize。仿真到仿真和仿真到现实实验中，我们的方法在未见形态上实现了持续的零样本改进，而系统识别经常出现负迁移。该框架还支持持续细化，使仿真精度在形态优化期间得以累积。
引用
@article{arxiv.2603.22039,
title = {RAFL: Generalizable Sim-to-Real of Soft Robots with Residual Acceleration Field Learning},
author = {Dong Heon Cho and Boyuan Chen},
journal= {arXiv preprint arXiv:2603.22039},
year = {2026}
}