ニューラル物理モデルを用いたソフトグリッパのコデザイン

- 軟体グリッパの設計と把持姿勢を同時に最適化する co-design framework の提案 - 対象は flexure-based soft finger を持つ軟体グリッパ - 設計変数は block-wise stiffness distribution、併せて grasping pose を最適化 - simulation で学習した neural physics model を最適化ループに組み込む - 最適化結果を 3D-print で実機化し、simulation と hardware の両方で評価

- 軟体グリッパは形状に応じて変形でき汎用性が高いが、設計と把持姿勢の探索が困難という課題があった - 本研究は設計(剛性分布)と把持姿勢を単一の end-to-end 最適化で同時に扱う点が特徴 - 学習済み neural physics surrogate により高速かつ微分可能な最適化を実現 - 最適化された co-designed gripper が baseline designs を simulation・hardware 双方で大きく上回ったと報告 - 具体的な先行研究名との比較は要旨からは不明

- flexure-based soft finger に対し uniform-pressure tendon model を導出 - gripper pose と design parameters をランダム化して多様な dataset を生成 - その forward simulation を近似する neural network を学習し、高速で微分可能な surrogate を得る - surrogate を end-to-end optimization loop に埋め込み、理想的な stiffness configuration と最良の grasp pose を最適化 - 構造パラメータを変えることで異なる剛性のグリッパを 3D-print により作製

- simulation 上で co-designed gripper と baseline designs を比較 - 最適化された各種剛性のグリッパを 3D-print し、hardware experiments を実施 - simulation と hardware の両方で baseline を有意に上回る性能を確認したと報告 - 評価指標や実験条件の詳細は要旨からは不明

- 設計と把持姿勢の同時最適化が軟体グリッパで有効であることを示唆 - neural physics surrogate を用いることで最適化を高速化できる可能性 - 3D-print による剛性制御の実装可能性を示す - 限界や失敗事例、汎化性に関する議論は要旨からは不明 - 詳細は http://yswhynot.github.io/codesign-soft/ に記載とのこと

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として neural physics model / differentiable simulation を用いたロボット設計最適化の研究 - soft gripper の設計最適化や co-design に関する研究 - tendon-driven soft finger のモデリング研究 - 具体的な論文名は要旨からは不明