ترجمه فارسی مقاله معادلات دیفرانسیل عصبی مبتنی بر دانش برای روبات های نرم مبتنی بر میله Cosserat

چکیده

Soft robots have many advantages over rigid robots thanks to their compliant and passive nature. However, it is generally challenging to model the dynamics of soft robots due to their high spatial dimensionality, making it difficult to use model-based methods to accurately control soft robots. It often requires direct numerical simulation of partial differential equations to simulate soft robots. This not only requires an accurate numerical model, but also makes soft robot modeling slow and expensive. Deep learning algorithms have shown promises in data-driven modeling of soft robots. However, these algorithms usually require a large amount of data, which are difficult to obtain in either simulation or real-world experiments of soft robots. In this work, we propose KNODE-Cosserat, a framework that combines first-principle physics models and neural ordinary differential equations. We leverage the best from both worlds — the generalization ability of physics-based models and the fast speed of deep learning methods. We validate our framework in both simulation and real-world experiments. In both cases, we show that the robot model significantly improves over the baseline models under different metrics.

چکیده به فارسی (ترجمه ماشینی)

روبات های نرم به لطف ماهیت سازگار و منفعل خود مزایای بسیاری نسبت به روبات های سفت و سخت دارند.با این حال ، مدل سازی پویایی روبات های نرم به دلیل ابعاد مکانی بالای آنها به طور کلی چالش برانگیز است ، و استفاده از روشهای مبتنی بر مدل برای کنترل دقیق روبات های نرم دشوار است.برای شبیه سازی روبات های نرم ، اغلب به شبیه سازی عددی مستقیم از معادلات دیفرانسیل جزئی نیاز دارد.این نه تنها به یک مدل عددی دقیق نیاز دارد ، بلکه مدل سازی ربات نرم را کند و گران می کند.الگوریتم های یادگیری عمیق وعده هایی را در مدل سازی داده محور روبات های نرم نشان داده اند.با این حال ، این الگوریتم ها معمولاً به مقدار زیادی داده نیاز دارند ، که به دست آوردن هر دو شبیه سازی یا آزمایش های دنیای واقعی روبات های نرم دشوار است.در این کار ، ما Knode-Cosserat را پیشنهاد می کنیم ، چارچوبی که ترکیب مدلهای فیزیک با اصل اول و معادلات دیفرانسیل عادی عصبی است.ما بهترین ها را از هر دو جهان به دست می آوریم-توانایی عمومی سازی مدلهای مبتنی بر فیزیک و سرعت سریع روشهای یادگیری عمیق.ما چارچوب خود را در هر دو شبیه سازی و آزمایش های دنیای واقعی تأیید می کنیم.در هر دو مورد ، ما نشان می دهیم که مدل ربات تحت معیارهای مختلف به طور قابل توجهی نسبت به مدل های پایه بهبود می یابد.