使用图神经网络学习可微分的张力束系统动力学
机器人学
2024-10-17 v1
摘要
张力束机器人由刚性杆和柔性缆构成。它们构成了新兴的混合刚性-柔性机器人系统，广泛应用于从运动控制到装配等领域。然而，由于其顺应性和高自由度，控制和准确建模困难。为此，先前工作引入了基于第一性原理的张力束机器人可微分物理引擎。相比之下，本工作提出使用图神经网络对张力束机器人的接触动力学进行建模，利用其自然的图状缆连接结构（连接刚性杆的端部）。该学习型模拟器能够在仿真到仿真的实验中准确地模拟 3 杆和 6 杆张力束机器人动力学，其中 MuJoCo 作为基准真值。对于实验中的 3 杆张力束机器人，仅部分可观测状态下，所提出的方法还比以前的可微分引擎具有更高的准确性。与最近的基于网格的图神经网络仿真器直接应用相比，所提出的方法在训练和推理方面都更具计算效率，同时实现了更高的准确性。代码和数据可在 https://github.com/nchen9191/tensegrity_gnn_simulator_public 获取。
引用
@article{arxiv.2410.12216,
title = {Learning Differentiable Tensegrity Dynamics using Graph Neural Networks},
author = {Nelson Chen and Kun Wang and William R. Johnson and Rebecca Kramer-Bottiglio and Kostas Bekris and Mridul Aanjaneya},
journal= {arXiv preprint arXiv:2410.12216},
year = {2024}
}