具有碰撞规避的快速逆运动学高效学习
机器人学
2024-05-28 v1
摘要
快速逆运动学（IK）是机器人运动规划的核心组件。对于复杂机器人，IK 方法常基于根搜索与非线性优化算法。使用神经网络预测良好初值可极大加速这些算法，随后经少量数值迭代精炼。除已有基于学习的 IK 工作外，我们针对根本更复杂的带碰撞规避 IK 问题提出一种学习方法，且于多样且未见过的环境中实现。由对 IK 学习问题的详细分析，我们导出一种网络与无监督学习架构，免除了样本数据生成步骤。将训练网络预测作为两阶段基于雅可比求解器的初值，可实现快速准确的无碰撞 IK 计算。对于人形机器人 Agile Justin（19 自由度），基于机器人集成 3D 传感器生成的高分辨率世界模型，无碰撞 IK 在单 CPU 核上以低于 10 毫秒求解，精度达 10^-4 m 与 10^-3 rad。在含 19 自由度人形与具挑战性 3D 环境的基准中，我们的方法大幅优于随机多重启动基线，训练时间较监督训练方法少十倍而结果相当。
引用
@article{arxiv.2311.05938,
title = {Efficient Learning of Fast Inverse Kinematics with Collision Avoidance},
author = {Johannes Tenhumberg and Arman Mielke and Berthold Bäuml},
journal= {arXiv preprint arXiv:2311.05938},
year = {2024}
}
备注
Presented at the 2023 IEEE-RAS International Conference on Humanoid Robots