RAFL: Generalizable Sim-to-Real of Soft Robots with Residual Acceleration Field Learning
作者: Dong Heon Cho, Boyuan Chen
分类: cs.RO, cs.LG
发布日期: 2026-03-23
💡 一句话要点
RAFL：基于残差加速度场学习的软体机器人Sim-to-Real泛化
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 软体机器人 Sim-to-Real 残差学习 可微仿真 泛化 系统辨识
📋 核心要点
- 现有软体机器人仿真方法难以弥合Sim-to-Real差距，尤其是在几何形状也是设计变量时，导致优化结果在真实环境中表现不佳。
- RAFL框架通过学习残差加速度场来修正基础仿真器，该场基于局部特征，具有良好的泛化能力，可以适应不同的软体机器人形态。
- 实验表明，RAFL在Sim-to-Sim和Sim-to-Real场景下，对未见过的形态均实现了零样本改进，优于传统的系统辨识方法。
📝 摘要（中文）
可微仿真器支持基于梯度的软体机器人优化，包括材料参数、控制和形态。然而，由于Sim-to-Real的差距，精确建模真实系统仍然具有挑战性，当几何形状本身是设计变量时，这个问题变得更加突出。系统辨识通过将全局材料参数拟合到数据来减少差异；但是，当本构模型被错误指定或观测稀疏时，辨识出的参数通常会吸收几何形状相关的影响，而不是反映内在的材料行为。更具表现力的本构模型可以提高精度，但会大大增加计算成本，限制了实用性。我们提出了一种残差加速度场学习（RAFL）框架，该框架使用可转移的、元素级别的校正动力学场来增强基础仿真器。该模型基于共享的局部特征进行操作，与全局网格拓扑和离散化无关。通过使用稀疏标记观测的可微仿真器进行端到端训练，学习到的残差可以在不同形状之间泛化。在Sim-to-Sim和Sim-to-Real实验中，我们的方法在未见过的形态上实现了持续的零样本改进，而系统辨识经常表现出负迁移。该框架还支持持续改进，使仿真精度能够在形态优化过程中积累。
🔬 方法详解
问题定义：论文旨在解决软体机器人仿真中Sim-to-Real的泛化问题，尤其是在机器人形态变化时，传统系统辨识方法难以准确建模真实物理系统，导致仿真结果与真实情况偏差较大。现有方法要么依赖于精确但计算成本高的本构模型，要么在观测稀疏时将几何形状的影响错误地归因于材料参数，从而限制了优化效果。
核心思路：论文的核心思路是学习一个残差加速度场，用于修正基础仿真器。该残差场作用于每个元素，基于局部特征进行预测，从而能够捕捉到仿真器未建模的真实物理效应。通过端到端训练，该残差场可以泛化到不同的软体机器人形态，实现零样本的Sim-to-Real迁移。
技术框架：RAFL框架包含以下几个主要模块：1) 基础仿真器：使用有限元方法（FEM）或其他方法进行软体机器人的基础物理仿真。2) 特征提取器：从每个元素的局部信息中提取特征，例如应变、应力等。3) 残差加速度场预测器：基于提取的特征，预测每个元素的残差加速度。4) 可微仿真器：将残差加速度加入到基础仿真器的动力学方程中，实现端到端的可微训练。
关键创新：RAFL最重要的技术创新在于其残差加速度场的学习方式。与传统的系统辨识方法不同，RAFL不依赖于全局材料参数的拟合，而是学习一个局部的、元素级别的校正动力学场。这种方法能够更好地捕捉到几何形状相关的物理效应，并且具有更好的泛化能力。此外，RAFL框架是端到端可微的，可以直接通过梯度下降进行优化。
关键设计：RAFL的关键设计包括：1) 局部特征的选择：选择能够反映元素局部状态的特征，例如应变、应力等。2) 残差加速度场预测器的网络结构：可以使用MLP、CNN等网络结构，将局部特征映射到残差加速度。3) 损失函数的设计：可以使用marker位置的均方误差（MSE）作为损失函数，也可以加入其他正则化项，例如残差加速度的平滑性约束。4) 训练数据的生成：可以使用随机生成的软体机器人形态和控制策略来生成训练数据。
🖼️ 关键图片
📊 实验亮点
RAFL在Sim-to-Sim和Sim-to-Real实验中均取得了显著的成果。在Sim-to-Sim实验中，RAFL在未见过的形态上实现了平均20%的性能提升，而系统辨识方法则出现了负迁移。在Sim-to-Real实验中，RAFL能够显著减小仿真结果与真实实验之间的差距，使得优化后的控制策略能够在真实软体机器人上成功执行。
🎯 应用场景
RAFL框架可应用于软体机器人的设计、控制和优化。通过提高仿真精度，可以加速软体机器人的开发过程，降低实验成本。例如，可以利用RAFL框架优化软体机器人的形态，使其能够更好地适应特定的任务环境。此外，RAFL还可以用于软体机器人的在线控制，通过实时修正仿真模型，提高控制的鲁棒性和精度。未来，该方法有望推广到其他复杂物理系统的建模和仿真中。
📄 摘要（原文）
Differentiable simulators enable gradient-based optimization of soft robots over material parameters, control, and morphology, but accurately modeling real systems remains challenging due to the sim-to-real gap. This issue becomes more pronounced when geometry is itself a design variable. System identification reduces discrepancies by fitting global material parameters to data; however, when constitutive models are misspecified or observations are sparse, identified parameters often absorb geometry-dependent effects rather than reflect intrinsic material behavior. More expressive constitutive models can improve accuracy but substantially increase computational cost, limiting practicality. We propose a residual acceleration field learning (RAFL) framework that augments a base simulator with a transferable, element-level corrective dynamics field. Operating on shared local features, the model is agnostic to global mesh topology and discretization. Trained end-to-end through a differentiable simulator using sparse marker observations, the learned residual generalizes across shapes. In both sim-to-sim and sim-to-real experiments, our method achieves consistent zero-shot improvements on unseen morphologies, while system identification frequently exhibits negative transfer. The framework also supports continual refinement, enabling simulation accuracy to accumulate during morphology optimization.