通用机器人动力学学习及 Gen2Real
机器人学
2021-04-07 v1
摘要
获取动力学是机器人学习中的重要课题，但现有方法（如动力学随机化）在面对不同机器人时，需重新启动以核查标称参数、生成仿真数据并训练网络。为改进此问题，我们新颖地研究了通用机器人动力学、其逆模型以及 Gen2Real（即迁移至现实）。我们的动机是构建学习多种机器人内在动力学的模型，并通过使业余者无需陷入细节即可获得机器人模型来降低动力学学习的门槛。本文通过随机化动力学参数、拓扑配置与模型维度实现“通用性”，三者依次涵盖机器人连杆的属性、连接与数量。采用改进自 GPT 的结构来访问通用动力学的预训练模型。我们还研究了动力学的多种逆模型以促进不同应用。我们进一步探究新概念“Gen2Real”，将仿真的通用模型迁移至物理的特定机器人。仿真与实验结果证明了所提模型与方法的有效性。\footnote{这些作者贡献相同。}
引用
@article{arxiv.2104.02402,
title = {General Robot Dynamics Learning and Gen2Real},
author = {Dengpeng Xing and Jiale Li and Yiming Yang and Bo Xu},
journal= {arXiv preprint arXiv:2104.02402},
year = {2021}
}
备注
On posting to RSS