通过触摸学习接触动力学：面向机器人插针任务的动作条件图神经网络
机器人学
2026-03-03 v2 机器学习
摘要
我们提出了一种可学习的基于物理的预测模型，为机器人末端执行器在接触丰富的操控中的运动和力扭矩预测提供准确性。该模型扩展了基于图神经网络的先进模拟器（FIGNet），引入了新的节点和边类型，使其能够在机器人插针的控制和状态估计语境下进行动作条件预测。我们的模型以自监督方式学习，仅使用关节编码器和力扭矩数据，无需人工标注。在仿真中，使用我们模型的MPC智能体在具有挑战性的插针-孔任务中，匹配了使用真实动力学模型的相同控制器的性能；在实际机器人实验中，我们的方法在运动预测准确率上实现了50%的提升，在力扭矩预测精度上提升了3倍。最后，我们将该模型应用于在实际插针过程中通过粒子滤波跟踪机器人末端执行器，展示了其预测精度的实际应用。
引用
@article{arxiv.2509.12151,
title = {Learning Contact Dynamics through Touching: Action-conditional Graph Neural Networks for Robotic Peg Insertion},
author = {Zongyao Yi and Joachim Hertzberg and Martin Atzmueller},
journal= {arXiv preprint arXiv:2509.12151},
year = {2026}
}