感觉运动图：用于学习机器人软手动力学的动作条件图神经网络
机器人学
2025-12-15 v1
摘要
软体机器人是机器人学中一个蓬勃发展的分支，它从自然中汲取灵感，使用廉价柔性材料设计可适应的非刚性机器人。然而，其柔性行为使这些机器人难以建模，而建模对于精确驱动和最优控制至关重要。在系统建模方面，基于学习的方法已展现出良好结果，但它们未能将系统底层的物理结构作为归纳先验加以考虑。在这项工作中，我们从感觉运动学习中获得启发，将图神经网络应用于对非刚性运动学链（即机器人软手）建模的问题，利用了两个关键性质：1）系统是可组合的，即它由通过边连接的简单交互部件组成；2）它是顺序不变的，即只有系统结构对未来轨迹预测相关。我们将模型记为“感觉运动图”（Sensorimotor Graph），因为它从观测中学习系统连通性并将其用于动力学预测。我们在不同场景中验证了模型，表明其在动力学预测上优于非结构化基线，同时对构型变化、跟踪误差或节点故障更具鲁棒性。
引用
@article{arxiv.2107.08492,
title = {SENSORIMOTOR GRAPH: Action-Conditioned Graph Neural Network for Learning Robotic Soft Hand Dynamics},
author = {João Damião Almeida and Paul Schydlo and Atabak Dehban and José Santos-Victor},
journal= {arXiv preprint arXiv:2107.08492},
year = {2025}
}
备注
Accepted at 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2021)