生成式图结构逆运动学

快速且可靠地求得精确的逆向运动学（IK）解对许多机器人操纵器而言仍是一个具有挑战性的问题。现有的数值求解器适用范围广，但通常只产生单一解，并依赖局部搜索技术来最小化非凸目标函数。近来，近似整个可行解集的基于学习的方法已显示出作为一种并行生成多个快速且准确 IK 结果手段的潜力。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。为解决这一关键不足，我们提出了一种新颖的距离几何机器人表示并与图结构相结合，使我们能够利用欧几里得等变函数的采样效率以及图神经网络（GNNs）的泛化能力。我们的方法是生成式图结构逆运动学（GGIK），这是首个能够准确高效地并行生成大量多样化解、同时展现出泛化能力的习得 IK 求解器——单个习得模型可用于为多种不同机器人生成 IK 解。与若干其他习得 IK 方法相比，GGIK 在同等数据量下提供更精确的解。GGIK 对训练期间未见的机器人操纵器泛化能力相当好。此外，GGIK 可学习编码关节限位并受约束的分布，且能高效扩展到更大的机器人和大量采样解。最后，GGIK 可用于补充局部 IK 求解器，为局部优化过程提供可靠的初始化。