MI-HGNN：用于足式机器人接触感知的形态学信息异构图神经网络

我们提出了一种用于基于学习的接触感知的形态学信息异构图神经网络（Morphology-Informed Heterogeneous Graph Neural Network, MI-HGNN）。MI-HGNN 的架构和连接性是根据机器人形态构建的，其中节点和边分别是机器人关节和连杆。通过将形态学信息约束融入神经网络，我们利用基于模型的知识改进了基于学习的方法。我们将所提出的 MI-HGNN 应用于两个接触感知问题，并使用从两个四足机器人收集的真实世界和仿真数据进行了广泛实验。我们的实验证明了该方法在有效性、泛化能力、模型效率和样本效率方面的优越性。我们的 MI-HGNN 仅用 0.21% 的参数，就将利用机器人形态对称性的最先进模型的性能提升了 8.4%。尽管本工作中 MI-HGNN 应用于足式机器人的接触感知问题，但它可以无缝应用于其他类型的多体动力学系统，并具有改进其他机器人学习框架的潜力。我们的代码已在 https://github.com/lunarlab-gatech/Morphology-Informed-HGNN 公开发布。