学习可解释逆运动学模型之路：图神经网络作为符号回归的归纳偏置
机器人学
2025-01-24 v1 机器学习
摘要
本文展示了如何使用图神经网络 (GNN) 来学习基于自动生成数据集的逆运动学 (IK)。所生成的逆运动学可推广到具有相同自由度 (DOF) 但链接长度配置不同的操作机构族中。结果表明，3 DOF 的位置误差小于 1.0 cm，4.5 cm；3 DOF 的姿态误差为 ，6 DOF 的姿态误差为 ，这使得其能够解决某些实际问题。然而，在所得 GNN 中会观察到域外误差和缺乏外推问题。对这些误差进行广泛分析表明，未来有望进一步改进。因此，将生成的 GNN 定制用于未来工作中作为生成解析方程通过符号回归的归纳偏置。
引用
@article{arxiv.2501.13641,
title = {The Road to Learning Explainable Inverse Kinematic Models: Graph Neural Networks as Inductive Bias for Symbolic Regression},
author = {Pravin Pandey and Julia Reuter and Christoph Steup and Sanaz Mostaghim},
journal= {arXiv preprint arXiv:2501.13641},
year = {2025}
}