RoboMorph: 基于 Transformer 的机器人动力学建模中的原语学习
机器人学
2024-09-19 v1
摘要
深度学习领域经历了巨大变迁,尤其是 Transformer 架构在自然语言处理(NLP)中的广泛应用。近年来,Transformer 的新应用 avenue 已拓展至求解偏微分方程和图像视觉等物理领域。然而,在机器人等具有挑战性的领域,其中高度非线性的特性使得 Transformer 的应用仍较稀少。虽然 Transformer 已被用于为机器人提供高层次任务知识,但鲜有工作尝试进行系统识别。本文提出一种新方法,利用 Transformer 架构在不依赖系统物理参数先验知识的情况下,学习高维物理系统(如 Franka 机械臂)的元动力学模型。目标是给定每个关节的扭矩信号,预测感兴趣量(末端执行器姿态和关节位置)。该预测可作为深度模型预测控制框架中组件使用。该元模型建立扭矩与位置之间的关联,并预测完整轨迹的输出。本工作提供了原语学习范式有效性的实证证据,表明未来可在不明确物理参数知识的情况下学习机器人动力学。代码、视频及补充材料可在项目网站获取。访问 https://sites.google.com/view/robomorph/ 了解详情。
关键词
引用
@article{arxiv.2409.11815,
title = {RoboMorph: In-Context Meta-Learning for Robot Dynamics Modeling},
author = {Manuel Bianchi Bazzi and Asad Ali Shahid and Christopher Agia and John Alora and Marco Forgione and Dario Piga and Francesco Braghin and Marco Pavone and Loris Roveda},
journal= {arXiv preprint arXiv:2409.11815},
year = {2024}
}