DisGNet：一种用于Gough-Stewart平台正运动学学习的距离图神经网络
机器人学
2024-02-15 v1 机器学习
摘要
在本文中，我们提出了一种图神经网络DisGNet，用于学习图距离矩阵，以解决Gough-Stewart平台的正运动学问题。DisGNet采用k-FWL算法进行消息传递，以较少的参数量提供高表达能力，使其适合实际部署。此外，我们引入了GPU友好的Newton-Raphson方法，这是一种在GPU上执行的高效并行化优化方法，用于细化DisGNet输出的位姿，实现超高精度位姿。这种新颖的两阶段方法在满足实时性要求的同时，提供了超高精度的输出。我们的结果表明，在我们的数据集上，DisGNet在79.8%和98.2%的情况下分别实现了低于1毫米和1度的误差精度。由于在GPU上执行，我们的两阶段方法可以保证实时计算的要求。代码已发布于https://github.com/FLAMEZZ5201/DisGNet。
引用
@article{arxiv.2402.09077,
title = {DisGNet: A Distance Graph Neural Network for Forward Kinematics Learning of Gough-Stewart Platform},
author = {Huizhi Zhu and Wenxia Xu and Jian Huang and Jiaxin Li},
journal= {arXiv preprint arXiv:2402.09077},
year = {2024}
}