刚体动力学的自动微分用于最优控制和估计
本文提供了一种高效的可微分仿真方法,实现了关节体动力学与深度学习框架的集成,以及运用于操作关节体的神经网络的基于梯度的优化。通过空间代数和伴随方法,我们导出了前向动力学的梯度,并发现此方法比自动微分工具快一个数量级,且在仿真过程中只需保存初始状态即可,从而将内存需求减少了两个数量级。我们在多个应用中演示了关节体高效可微分动力学的实用性,特别是在强化学习、控制和逆问题方面,通过我们的方法实现的基于梯度的优化加速了收敛一个数量级以上。
Sep, 2021
本文提出了一个可微分端到端框架来优化接触感知机器人设计的两个关键部分:一种新颖的变形参数化方法和一个可处理联系丰富情况和计算全谱运动和动态参数分析梯度的可微刚体模拟器,在多个操作任务中,我们的框架胜过了使用其他表示形式优化控制或设计,或使用无梯度方法进行共同优化的现有方法的情况。
Jul, 2021
本文提出了一种可处理摩擦接触的可微动力学求解器,它统一了刚体和可变形物体。通过正交和切向接触力的原则性平滑化,我们的方法规避了摩擦接触非光滑特性的主要难题。我们将这种新接触模型与全隐式时间积分相结合,得到了一个具有解析微分性和健壮高效的动力学求解器。与伴随灵敏度分析相结合,我们的公式为目标函数景观的优化提供了自适应权衡模拟准确性和平滑性的梯度。在一组涉及刚体、粘弹性材料和耦合多体系统的模拟示例上,我们对我们的方法进行了全面分析。我们还展示了我们的可微模拟器在可变形物体的参数估计、机器人操纵的运动规划、合规步行机器人的轨迹优化以及高效的自我监督学习控制策略方面的应用。
Jul, 2020
本研究提出通过使用逆向渲染和可微分仿真相结合的方法,从深度或 RGB 视频中创建真实世界关节机构的数字孪生,该方法可以自动发现关节类型和估计其运动学参数,并调整整个机构的动态特性以实现物理上准确的仿真。
Mar, 2022
本文综述了一些通过将数据驱动建模与先前的解析知识相结合的监督回归模型,以在具有刚体力学描述的系统动力学建模中提高数据的效率和物理完整性,并分析了刚体力学的各种潜在函数和算子。
Dec, 2020
通过大规模并行可微分仿真,利用遗传算法对机器人进行自动设计,通过优化机器人的行为并探索不同机械结构的变化,发现进化可产生逐渐可微分的机器人,在实体机器人上验证了优化行为的可行性,从而拓宽了我们对生物系统中进化和学习之间关系以及机器人物理结构对策略训练能力影响的理解。
May, 2024
本文研究了 differentiable simulation 在含有刚体和可变形物体的情景下所面临的挑战,提出了一种使用贝叶斯优化和半局部 “跳跃” 的方法来获得全局搜索方法的方案,并在模拟实验和实际机器人实验中验证了该方法的有效性。
Jun, 2022