解码 RobKiNet：机器人运动学信息神经网络高效训练探析
机器人学
2025-09-10 v1
摘要
在机器人任务与运动规划 (TAMP) 中，在机器人构型空间内进行采样以满足任务级全局约束并提高后续运动规划的至关重要。由于多级约束下关节构型采样的复杂性，传统方法往往效率低下。本文介绍了 RobKiNet 的原理，这是一种运动学信息神经网络，用于在构型空间的多约束下对连续可行集 (CFS) 进行端到端采样，并建立了其优化期望模型。与传统采样和基于学习的方法的比较表明，RobKiNet 的运动学知识注入通过确保稳定且准确的梯度优化来提高训练效率。在 2 自由度空间中的可视化和定量分析验证了其理论效率，而在一个 9 自由度自主移动操作机器人 (AMMR) 上的应用展示了其优越的全身解耦控制，在电池拆卸任务中表现出色。RobKiNet 优于深度强化学习，训练速度快 74.29 倍，采样精度高达 99.25%，在真实场景中实现了 97.33% 的任务完成率。
引用
@article{arxiv.2509.07646,
title = {Decoding RobKiNet: Insights into Efficient Training of Robotic Kinematics Informed Neural Network},
author = {Yanlong Peng and Zhigang Wang and Ziwen He and Pengxu Chang and Chuangchuang Zhou and Yu Yan and Ming Chen},
journal= {arXiv preprint arXiv:2509.07646},
year = {2025}
}