O-ConNet：面向过约束空间机械结构的几何感知端到端推断
机器人学
2026-04-03 v1
摘要
深度学习在科学发现中展现出强大的潜力，但其在建模宏观刚体运动约束方面的能力仍未得到充分探索。我们针对空间过约束机械结构提出了 O-ConNet，一种从仅三个稀疏可达点推断机械结构参数并重建完整运动轨迹的端到端框架，在推断过程中无需显式求解约束方程。我们构建了一个包含 42,860 个有效样本的自构 Bennet 4R 数据集。O-ConNet 在 10 次实验中的参数误差均值（Param-MAE）为 0.276 ± 0.077，轨迹误差均值（Traj-MAE）为 0.145 ± 0.018，均优于最强序列基线（LSTM-Seq2Seq）分别提升了 65.1% 和 88.2%。这些结果表明，端到端学习能够捕捉闭环几何结构，为在极端稀疏观察下进行空间过约束机械结构的逆向设计提供了实用路径。
引用
@article{arxiv.2604.02038,
title = {O-ConNet: Geometry-Aware End-to-End Inference of Over-Constrained Spatial Mechanisms},
author = {Haoyu Sun and Meng Zhao and Tianhao Wang and Jianxu Wu},
journal= {arXiv preprint arXiv:2604.02038},
year = {2026}
}
备注
8 pages, 5 figures