面向障碍感知的可解释神经逆运动学：IKNet变体比较分析

深度神经网络已将逆运动学（IK）推理加速到能够实时执行复杂轨迹的水平，但这些模型的不透明本性与负责任AI监管中所需的透明性和安全性要求相矛盾。本研究提出一种以可解释性为中心的工作流程，将Shapley值归因与基于物理的障碍避免评估集成到ROBOTIS OpenManipulator-X平台上。在原IKNed基础上，提出两种轻量级变体：采用残差连接的改进IKNed和采用位置-方向解耦的聚焦IKNed，在大型合成姿态-关节数据集上进行训练。采用SHAP方法获得全局和局部重要性排名，而InterpretML工具包则可视化部分依赖图，以揭示笛卡尔姿态与关节角度之间的非线性耦合。为将算法洞察与机器人安全性相结合，每个网络都嵌入到一个模拟器中，对机械臂施加随机的单障碍和多障碍场景；通过正向运动学、基于胶囊的碰撞检测和轨迹指标量化归因平衡与物理间隙之间的关系。定性热图揭示，架构在姿态维度上更均匀地分配重要性倾向于在不牺牲位置精度的前提下维持更宽的安全裕度。综合分析表明，可解释AI（XAI）技术可以揭示隐藏的失效模式，指导架构细化，并为基于学习的IK提供障碍感知部署策略。该提出的方法因此为实现符合新兴负责任AI标准的可信赖、数据驱动的操纵贡献了具体路径。