基于图神经网络的线缆操作形变模型离线-在线学习
机器人学
2022-03-30 v1
摘要
机器人操纵可变形线性物体具有广泛的应用，例如制造与外科手术。为完成此类任务，用于预测形变的精确动力学模型对于鲁棒控制至关重要。本工作中，我们提出一种混合离线-在线方法，以鲁棒且数据高效的方式学习线缆的动力学，从而应对这一挑战。在离线阶段，我们采用图神经网络（GNN）纯粹从仿真数据中学习形变动力学。随后实时学习一个线性残差模型以弥合仿真到现实的差距。学习到的模型随后被用作基于信赖域的模型预测控制器（MPC）的动力学约束，以计算最优的机器人运动。在线学习与MPC以闭环方式运行，以鲁棒地完成任务。最后，与现有方法的对比结果定量展示了有效性与鲁棒性。
引用
@article{arxiv.2203.15004,
title = {Offline-Online Learning of Deformation Model for Cable Manipulation with Graph Neural Networks},
author = {Changhao Wang and Yuyou Zhang and Xiang Zhang and Zheng Wu and Xinghao Zhu and Shiyu Jin and Te Tang and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2203.15004},
year = {2022}
}