PINN-Ray: A Physics-Informed Neural Network to Model Soft Robotic Fin Ray Fingers
作者: Xing Wang, Joel Janek Dabrowski, Josh Pinskier, Lois Liow, Vinoth Viswanathan, Richard Scalzo, David Howard
分类: cs.RO
发布日期: 2024-07-11
💡 一句话要点
提出PINN-Ray，利用物理信息神经网络建模软体机器人Fin Ray手指的复杂形变。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 软体机器人 物理信息神经网络 形变建模 有限元分析 数据同化
📋 核心要点
- 软体机器人形变建模面临几何复杂、形变大、材料非线性等挑战，现有替代模型精度不足且存在“现实差距”。
- PINN-Ray将弹性力学原理和实验数据融入神经网络损失函数，提升模型在复杂几何形状下的泛化能力和数据稀缺时的鲁棒性。
- 实验表明，PINN-Ray在模拟Fin Ray手指形变时，通过数据同化方案，精度优于有限元建模，并提供快速原型设计框架。
📝 摘要（中文）
对软体机器人进行建模，理解其行为，对于安全地与环境交互至关重要。然而，由于复杂的几何形状、大的形变和材料的非线性等因素，为软体机器人构建高精度和快速推理的替代模型极具挑战性。替代模型与真实环境的差距也阻碍了它们在软体机器人领域的进一步部署。本研究提出了一种名为PINN-Ray的物理信息神经网络(PINNs)，用于建模Fin Ray软体机器人夹爪的复杂形变。该方法将弹性力学的最小势能原理和额外的高保真实验数据嵌入到神经网络的损失函数中进行训练。与其他数据驱动的神经网络相比，该方法在复杂几何形状的泛化方面具有重要意义，并且对数据稀缺具有鲁棒性。此外，它已被广泛评估，用于模拟外部驱动下Fin Ray手指的形变。通过应用数据同化方案来处理仿真与现实的差距，PINN-Ray展示了比有限元建模(FEM)更高的精度。此外，我们还介绍了一个自动化框架，用于设计、制造软体机器人手指，并通过视觉跟踪来表征它们的形变，这为软体机器人的快速原型设计提供了指导。
🔬 方法详解
问题定义：论文旨在解决软体机器人，特别是Fin Ray手指在外部驱动下的复杂形变建模问题。现有方法，如纯数据驱动的神经网络，在数据稀缺或几何形状复杂时泛化能力不足。有限元建模（FEM）虽然常用，但存在仿真与现实的差距，精度受限。
核心思路：论文的核心思路是将物理信息融入神经网络，利用物理定律（最小势能原理）作为约束，结合少量实验数据进行训练。这种方法既能利用神经网络的强大拟合能力，又能克服数据驱动方法的局限性，提高模型的泛化性和鲁棒性。
技术框架：PINN-Ray的整体框架包括以下几个主要部分：1) 软体机器人Fin Ray手指的设计与制造；2) 通过视觉跟踪获取高保真实验数据；3) 构建基于物理信息的神经网络（PINN），其损失函数包含数据损失项和物理损失项；4) 使用实验数据对PINN进行训练；5) 通过数据同化方案缩小仿真与现实的差距；6) 评估PINN-Ray的性能，并与FEM进行比较。
关键创新：PINN-Ray的关键创新在于将物理信息（最小势能原理）显式地嵌入到神经网络的损失函数中。这使得模型在训练过程中不仅学习实验数据，还受到物理定律的约束，从而提高了模型的泛化能力和鲁棒性。此外，论文还提出了一个自动化框架，用于软体机器人手指的设计、制造和表征。
关键设计：PINN-Ray的关键设计包括：1) 损失函数的设计，包含数据损失项（例如，均方误差）和物理损失项（基于最小势能原理）；2) 网络结构的选择，例如，多层感知机（MLP）；3) 数据同化方案，用于校正仿真与现实的差距。具体的参数设置和网络结构细节在论文中应该有更详细的描述。
🖼️ 关键图片
📊 实验亮点
PINN-Ray通过将物理信息融入神经网络，在Fin Ray手指形变建模中表现出优于有限元建模的精度。通过数据同化方案，进一步缩小了仿真与现实的差距。论文还提供了一个自动化框架，加速了软体机器人的原型设计过程。具体的性能数据，例如，与FEM相比的精度提升幅度，需要在论文中查找。
🎯 应用场景
PINN-Ray可应用于软体机器人的设计、控制和优化。例如，可以利用该模型预测软体机器人在不同驱动条件下的形变，从而优化机器人的结构设计和控制策略。此外，该方法还可以推广到其他类型的软体机器人，例如，软体机械臂和软体爬行器，促进软体机器人在医疗、救援和工业等领域的应用。
📄 摘要（原文）
Modelling complex deformation for soft robotics provides a guideline to understand their behaviour, leading to safe interaction with the environment. However, building a surrogate model with high accuracy and fast inference speed can be challenging for soft robotics due to the nonlinearity from complex geometry, large deformation, material nonlinearity etc. The reality gap from surrogate models also prevents their further deployment in the soft robotics domain. In this study, we proposed a physics-informed Neural Networks (PINNs) named PINN-Ray to model complex deformation for a Fin Ray soft robotic gripper, which embeds the minimum potential energy principle from elastic mechanics and additional high-fidelity experimental data into the loss function of neural network for training. This method is significant in terms of its generalisation to complex geometry and robust to data scarcity as compared to other data-driven neural networks. Furthermore, it has been extensively evaluated to model the deformation of the Fin Ray finger under external actuation. PINN-Ray demonstrates improved accuracy as compared with Finite element modelling (FEM) after applying the data assimilation scheme to treat the sim-to-real gap. Additionally, we introduced our automated framework to design, fabricate soft robotic fingers, and characterise their deformation by visual tracking, which provides a guideline for the fast prototype of soft robotics.