RAFL：残差加速度場学習によるソフトロボットの一般化可能なシム・トゥ・リアル

要旨: 微分可能なシミュレータは、材質パラメータ、制御、形態にわたってソフトロボットを勾配ベースで最適化できるようにしますが、シム-to-リアル（sim-to-real）ギャップにより現実のシステムを正確にモデル化することは依然として困難です。この問題は、幾何そのものが設計変数である場合に、より顕著になります。システム同定は、データにグローバルな材質パラメータを当てはめることで不一致を減らします。しかし、構成モデルが誤っている（ミススペシフィケーション）場合や観測が疎である場合、同定されたパラメータは、固有の材質挙動を反映するのではなく、形状（幾何）に依存する効果を吸収してしまうことがよくあります。より表現力の高い構成モデルは精度を改善できますが、計算コストを大幅に増やし、実用性を制限します。
本研究では、残差加速度場学習（RAFL）フレームワークを提案します。この枠組みは、基盤となるシミュレータに対して、転移可能な要素（エレメント）レベルの補正ダイナミクス場を付加します。共有される局所特徴の上で動作するため、モデルはグローバルなメッシュのトポロジや離散化に無関係です。疎なマーカ観測を用いた、微分可能なシミュレータによるエンドツーエンド学習により、学習された残差は形状間で一般化します。シム-to-シムおよびシム-to-リアルの実験のいずれにおいても、本手法は未知の形態に対して一貫したゼロショットでの改善を達成する一方、システム同定では負の転移が頻繁に見られます。このフレームワークはまた、継続的な洗練をサポートし、形態最適化の過程でシミュレーション精度が累積していくことを可能にします。