基于学习残差物理的软体机器人仿真到现实迁移

在仿真中精确建模软体机器人计算成本高昂，且通常无法准确表征真实世界。这种众所周知的差异，即仿真到现实差距，可能由多种原因引起，例如粗略近似的几何与材料模型、制造缺陷、粘弹性与塑性以及迟滞效应。残差物理网络从真实世界数据中学习，以增强有差异的模型并使其更接近现实。本文提出一种用于建模具有大自由度的软体机器人的残差物理方法。我们训练神经网络学习残差项——即仿真系统与物理系统之间的建模误差。具体而言，该残差项是施加在整个仿真网格上的力，而真实位置数据仅通过稀疏运动标记点采集。解析仿真的物理先验为残差网络提供了起点，并且组合模型比从零开始学习物理更具信息量。我们在 1) 一个硅胶弹性梁和 2) 一个具有难以建模的各向异性纤维增强的软体气动臂上演示了我们的方法。我们的方法优于传统系统辨识方法，性能提升高达 60%。我们表明，残差物理不必局限于低自由度，而是可以有效地弥合高维系统的仿真到现实差距。