CycleIK: Neuro-inspired Inverse Kinematics

要約

この論文では、逆運動学 (IK) タスク用の 2 つの新しいニューロ インスピレーション手法、敵対的生成ネットワーク (GAN)、および多層パーセプトロン アーキテクチャをラップするニューロ ロボット アプローチである CycleIK を紹介します。
これらのメソッドはスタンドアロンで使用できますが、これらをハイブリッド神経遺伝学 IK パイプラインに埋め込むことで、逐次最小二乗プログラミング (SLSQP) または遺伝的アルゴリズム (GA) によるさらなる最適化がどのように可能になるかも示します。
モデルは、2 つの冗長 8-DoF マニピュレーターを備えた半人型ロボットである新しい Neuro-Inspired COLlaborator (NICOL) のランダムなロボット構成から収集された高密度のデータセットでトレーニングおよびテストされます。
私たちは、最先端の BioIK メソッドによる加重多目的関数を利用して、トレーニング プロセスとハイブリッド神経遺伝学的アーキテクチャをサポートします。
私たちは、ニューラル モデルが最先端の IK アプローチと競合できることを示し、ロボット ハードウェアへの直接展開を可能にします。
さらに、遺伝的アルゴリズムを組み込むことで精度が向上し、同時に全体の実行時間が短縮されることが示されています。

要約(オリジナル)

The paper introduces CycleIK, a neuro-robotic approach that wraps two novel neuro-inspired methods for the inverse kinematics (IK) task, a Generative Adversarial Network (GAN), and a Multi-Layer Perceptron architecture. These methods can be used in a standalone fashion, but we also show how embedding these into a hybrid neuro-genetic IK pipeline allows for further optimization via sequential least-squares programming (SLSQP) or a genetic algorithm (GA). The models are trained and tested on dense datasets that were collected from random robot configurations of the new Neuro-Inspired COLlaborator (NICOL), a semi-humanoid robot with two redundant 8-DoF manipulators. We utilize the weighted multi-objective function from the state-of-the-art BioIK method to support the training process and our hybrid neuro-genetic architecture. We show that the neural models can compete with state-of-the-art IK approaches, which allows for deployment directly to robotic hardware. Additionally, it is shown that the incorporation of the genetic algorithm improves the precision while simultaneously reducing the overall runtime.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google