从单一轨迹学习可变形线性物体的动力学
机器人学
2024-07-08 v1
摘要
通过模型化控制处理可变形线性物体（DLOs）需要准确且计算效率高的动力学模型。然而，数据驱动的 DLO 动力学模型需要大量训练数据，而且预测结果往往难以泛化；而基于物理的模型依赖于对物理现象的良好近似，往往缺乏准确性。为此，我们提出一种受物理约束的神经常微分方程，能够显著减少数据和超参数调优，预测出色的运动。具体而言，我们将 DLOs 模型化为由刚性刚体组成的串联链条，这些刚体通过被动弹性关节相连，其中相互作用力由神经网络预测。该模型在仅用 30 秒数据后，准确预测了机器人驱动的铝制棒和弹性泡沫圆柱的运动。项目代码和数据可在 \url{https://tinyurl.com/neuralprba} 获取。
引用
@article{arxiv.2407.03476,
title = {Learning deformable linear object dynamics from a single trajectory},
author = {Shamil Mamedov and A. René Geist and Ruan Viljoen and Sebastian Trimpe and Jan Swevers},
journal= {arXiv preprint arXiv:2407.03476},
year = {2024}
}