基于对称性感知的异构图神经网络用于紧致机器人端盖-地面接触估计
机器人学
2026-03-04 v1
摘要
紧致机器人具有轻便韧性结构，但因刚性和分布式地面接触，状态估计面临重大挑战。本文引入一种对称性感知的异构图神经网络（Sym-HGNN），从惯性测量单元和电缆长度历史数据直接推断接触状态，而无需专用接触传感器。该网络将机器人的二面性对称性 融入消息传递过程中，以提升样本效率和泛化能力。预测的接触状态被集成到最新状态估计的 contact-aided invariant extended Kalman filter（InEKF）中，以提高姿态估计精度。仿真结果表明，与 CNN 和 MI-HGNN 基线方法相比，所提方法仅使用 20% 的训练数据即可实现最高 15% 的精度提升和 5% 的 F1 分数提升，同时保持低漂移和与真实接触相符的状态估计结果。本工作凸显了完全惯性感知在紧致机器人准确稳健状态估计中的潜力。代码已公开：https://github.com/Jonathan-Twz/Tensegrity-Sym-HGNN
引用
@article{arxiv.2603.02596,
title = {Tensegrity Robot Endcap-Ground Contact Estimation with Symmetry-aware Heterogeneous Graph Neural Network},
author = {Wenzhe Tong and Yicheng Jiang and Chi Zhang and Maani Ghaffari and Xiaonan Huang},
journal= {arXiv preprint arXiv:2603.02596},
year = {2026}
}
备注
Preprint; 7 pages, 5 figures, 3 tables