用于生成式图逆运动学的欧几里得等变模型
机器人学
2023-07-06 v1
摘要
快速且可靠地找到精确的逆运动学（IK）解仍是机器人操作中的一个挑战性问题。现有的数值求解器通常仅产生单一解，并依赖局部搜索技术来最小化高度非凸的目标函数。近来，近似整个可行解集的基于学习的方法已显示出前景，可作为并行生成多个快速且准确 IK 结果的手段。然而，现有的基于学习的技术有一个显著缺陷：每个感兴趣的机器人都需要一个必须从零训练的专用模型。为弥补这一不足，我们研究了一种新颖的距离几何机器人表示，并结合图结构，使我们能够利用图神经网络（GNNs）的灵活性。我们使用该方法训练了一个生成式图逆运动学求解器（GGIK），它能够并行产生大量多样化解，同时也具有良好泛化性——单个学习到的模型可用于为多种不同机器人产生 IK 解。该图表述优雅地揭示了源于机器人操作器空间特性的 IK 问题的对称性与欧几里得等变性。我们通过将这些对称性编码进学习模型的架构中来利用此对称性，从而产生一个能为多个机器人产生 IK 解集的灵活求解器。
引用
@article{arxiv.2307.01902,
title = {Euclidean Equivariant Models for Generative Graphical Inverse Kinematics},
author = {Oliver Limoyo and Filip Marić and Matthew Giamou and Petra Alexson and Ivan Petrović and Jonathan Kelly},
journal= {arXiv preprint arXiv:2307.01902},
year = {2023}
}
备注
Proceedings of the Robotics: Science and Systems (RSS'23) Workshop on Symmetries in Robot Learning, Daegu, Republic of Korea, Jul. 10, 2023. arXiv admin note: substantial text overlap with arXiv:2209.08812