面向可变形线性物体物理部署的 Sim2Real 神经控制器

可变形线性物体（DLO），如杆、线缆和绳索，在日常生活中起着重要作用。然而，DLO 的操作具有挑战性，因为在操作过程中可能出现较大的几何非线性变形。由于不同的变形模式（如拉伸、弯曲和扭转）可能在操作中引发弹性失稳，该问题变得更加困难。本文中，我们提出一种物理引导的数据驱动方法来解决一项具有挑战性的操作任务——将 DLO（弹性杆）沿各种规定图案精确部署到刚性基底上。我们的框架结合机器学习、量纲分析（scaling analysis）与物理仿真，开发用于部署的物理基神经控制器。我们探究被操作 DLO 的重力势能与弹性势能之间的复杂相互作用，获得一种对摩擦与材料属性均具鲁棒性的 DLO 部署控制方法。在杆与基底众多的几何及材料属性中，我们表明仅需三个无量纲参数即可通过物理分析描述部署过程。因此，该操作任务控制律的本质可用低维模型构建，极大提升计算速度。我们通过一项全面的机器人案例研究展示了最优控制方案的有效性，该研究与针对多种图案部署杆的启发式控制方法进行比较。此外，我们还展示控制方案的实用性：让机器人完成诸如模仿人类书写、线缆布置和打结等具有挑战性的高层任务。