面向张拉整体机器人的新型数据高效可微物理引擎的 Sim2Sim 评估

在仿真中学习策略有望减少训练机器人控制器时的人力。这对于更具适应性与安全性但也更难精确建模与控制的软体机器人尤为如此。sim2real 差距是成功将策略从仿真迁移到真实机器人的主要障碍。系统辨识可用于缩小此差距，但传统辨识方法需大量手动调参。数据驱动的替代方法可直接从数据调谐动力学模型，但往往渴求数据，这同样涉及收集数据的人力。本文提出一种数据驱动、端到端可微模拟器，聚焦于令人振奋但具挑战性的张拉整体机器人领域。据作者所知，这是首个支持缆索、接触与驱动建模的张拉整体机器人可微物理引擎。目标是开发一种合理简化、数据驱动的仿真，其能以有限的真值数据学习近似动力学。动力学必须足够精确以生成可迁回真值系统的策略。作为此方向的第一步，当前工作展示了 sim2sim 迁移，其中 MuJoCo 的未知物理模型充当真值系统。两种不同张拉整体机器人用于评估与运动策略学习：一个 6-bar 与一个 3-bar 张拉整体。结果表明，当使用可微引擎训练时，仅需 0.25% 的真值数据即可训练出在真值系统上工作的策略，而直接在真值系统上训练策略则不然。