Dynamics as Prompts: In-Context Learning for Sim-to-Real System Identifications
Created by
- Haebom
Category
Empty
저자
Xilun Zhang, Shiqi Liu, Peide Huang, William Jongwon Han, Yiqi Lyu, Mengdi Xu, Ding Zhao
개요
본 논문은 시뮬레이션과 실제 환경 간의 역학적 차이로 인해 어려움을 겪는 시뮬레이션-실제 전이 문제에 대한 새로운 접근 방식을 제시합니다. 기존의 도메인 랜덤화 기법의 한계를 극복하기 위해, 과거 상호작용 이력을 활용한 온라인 시뮬레이션 환경 매개변수 조정 방법을 제안합니다. 경사도 업데이트 없이 시뮬레이션 환경 역학을 실제 환경 역학에 맞추어 시뮬레이션과 실제 환경 간의 성능 차이를 줄입니다. 물체 퍼내기와 에어하키 두 가지 작업을 통해 접근 방식을 검증하였으며, 시뮬레이션 간 평가에서 매개변수 추정 성능이 기존 방식 대비 80%와 42% 향상되었고, 시뮬레이션-실제 전이에서 물체 퍼내기 작업의 성공률이 70% 이상 달성되었습니다. 과거 상호작용 데이터를 통합하여 효율적이고 원활한 시스템 식별을 제공하며, 동적인 실제 환경에서 로봇 배치를 발전시키는 데 기여합니다.
시사점, 한계점
•
시사점:
◦
기존 도메인 랜덤화 방식의 한계를 극복하는 새로운 시뮬레이션-실제 전이 기법 제시
◦
경사도 업데이트 없이 온라인으로 시뮬레이션 환경 매개변수를 조정하여 효율성 향상
◦
물체 퍼내기와 에어하키 작업에서 기존 방식 대비 성능 향상 및 높은 성공률 달성
◦
과거 상호작용 데이터 활용으로 효율적인 시스템 식별 및 동적 환경 적응성 향상
•
한계점:
◦
제시된 두 가지 작업 외 다른 작업에 대한 일반화 성능 검증 필요
◦
다양한 환경 변화에 대한 견고성 평가 필요
◦
실제 환경에서의 장기간 안정성 및 신뢰성 검증 필요
◦
사용된 시뮬레이터의 특성에 대한 의존성 분석 필요
