基于物理信息神经网络的高效肌肉骨架人oid身体模式学习
机器人学
2025-07-08 v2
摘要
肌肉骨架人oid机器人模仿人类肌肉骨架系统，具有可变刚度控制、冗余性和灵活性等优势。然而，其身体结构复杂，肌肉路径常显著偏离几何模型。为此，针对肌肉骨架人oid的身体模式学习（特别是关节角度、肌肉张力和肌肉长度之间的关系）进行了众多研究，这些研究通常仅依赖于实际机器人收集的数据，但数据收集过程繁琐且数据有限时学习困难。因此，本研究提出了一种方法，将物理信息神经网络（PINN）的概念应用于肌肉骨架人oid身体模式的学习，即使在数据有限的情况下也能实现高精度学习。通过利用不仅来自实际机器人的数据，还利用关节结构正确的假设下肌肉张力与扭矩关系的物理定律，能够更高效地进行学习。我们将该方法应用于仿真和实际肌肉骨架人oid机器人，讨论其有效性和特征。
引用
@article{arxiv.2506.20343,
title = {PIMBS: Efficient Body Schema Learning for Musculoskeletal Humanoids with Physics-Informed Neural Networks},
author = {Kento Kawaharazuka and Takahiro Hattori and Keita Yoneda and Kei Okada},
journal= {arXiv preprint arXiv:2506.20343},
year = {2025}
}
备注
Accepted at IEEE Robotics and Automation Letters, Website - https://haraduka.github.io/pinn-body-schema/