使用可微因子图与旋转平移不变表示学习球的动力学
机器人学
2025-02-24 v2
摘要
动态环境中的机器人需要快速、准确的物体运动模型来支持敏捷规划。在乒乓球等运动中，由于复杂的空气动力学、弹性行为以及对滑动和滚动摩擦建模的挑战，解析模型通常难以准确预测带旋转的球轨迹。另一方面，尽管数据驱动方法前景广阔，但如果没有精确的输入，机器学习难以做出准确、一致的预测。在本文中，我们提出了一个端到端学习框架，可以联合训练动力学模型和因子图估计器。我们的方法利用 Gram-Schmidt (GS) 过程提取旋转平移不变表示以提高模型性能，与数据增强方法相比，这可以进一步降低验证误差。此外，我们提出了一种网络架构，通过在层连接中使用自乘旁路来增强非线性。通过利用这些新颖的方法，我们提出的方法在第一次弹跳后的顶点处预测球位置的 RMSE 为球拍半径的 37.2 mm，在第二次弹跳后为 71.5 mm。
引用
@article{arxiv.2409.16467,
title = {Learning Dynamics of a Ball with Differentiable Factor Graph and Roto-Translational Invariant Representations},
author = {Qingyu Xiao and Zixuan Wu and Matthew Gombolay},
journal= {arXiv preprint arXiv:2409.16467},
year = {2025}
}
备注
accepted by ICRA 2025