RobKiNet：用于最优机器人构型预测的机器人运动学感知神经网络
机器人学
2025-03-05 v2 人工智能
摘要
任务与运动规划（TAMP）对于机器人与世界交互并完成复杂任务至关重要。TAMP 问题存在一个关键差距：在连续空间内探索机器人的构型参数（如底盘位置和机械臂关节角度），以确保满足任务级的全局约束，同时提高后续运动规划的效率。现有方法在效率方面仍有显著的改进空间。认识到机器人运动学是运动规划的关键因素，我们提出了一个名为机器人运动学感知神经网络（RobKiNet）的框架，作为任务层与运动层之间的桥梁。RobKiNet 将运动学知识整合到神经网络中，以训练能够进行高效构型预测的模型。我们使用 RobKiNet 设计了底盘运动预测器（CMP）和全身运动预测器（FMP），它们分别采用两组完全不同的正向和逆向运动学约束来实现松耦合控制和全身控制。实验表明，CMP 和 FMP 预测构型参数的准确率分别达到 96.67% 和 98%。这意味着相应的运动规划与随机采样相比可分别实现 24.24 倍和 153 倍的加速。此外，RobKiNet 展示了卓越的数据效率。与其他深度学习方法相比，CMP 仅需 1/71、FMP 仅需 1/15052 的训练数据即可达到相同的预测精度。这些结果证明了 RobKiNet 在机器人应用中的巨大潜力。
引用
@article{arxiv.2402.16281,
title = {RobKiNet: Robotic Kinematics Informed Neural Network for Optimal Robot Configuration Prediction},
author = {Yanlong Peng and Zhigang Wang and Yisheng Zhang and Pengxu Chang and Ziwen He and Kai Gu and Hongshen Zhang and Ming Chen},
journal= {arXiv preprint arXiv:2402.16281},
year = {2025}
}