DisGNet: A Distance Graph Neural Network for Forward Kinematics Learning of Gough-Stewart Platform

要約

この論文では、Gough-Stewart プラットフォームの順運動学問題に対処するためにグラフ距離行列を学習するためのグラフ ニューラル ネットワーク DisGNet を提案します。
DisGNet は、メッセージ パッシングに k-FWL アルゴリズムを採用しており、少ないパラメータ数で高い表現力を実現するため、実用的な展開に適しています。
さらに、GPU に優しい Newton-Raphson 法を導入します。これは、GPU 上で実行される効率的な並列最適化手法で、DisGNet の出力ポーズを洗練し、超高精度のポーズを実現します。
この斬新な 2 段階のアプローチは、リアルタイム要件を満たしながら超高精度の出力を実現します。
私たちの結果は、私たちのデータセット上で、DisGNet がそれぞれ 79.8\% と 98.2\% で 1mm と 1deg 未満の誤差精度を達成できることを示しています。
GPU 上で実行される場合、当社の 2 段階の方法により、リアルタイム計算の要件を確実に満たすことができます。
コードは https://github.com/FLAMEZZ5201/DisGNet で公開されています。

要約(オリジナル)

In this paper, we propose a graph neural network, DisGNet, for learning the graph distance matrix to address the forward kinematics problem of the Gough-Stewart platform. DisGNet employs the k-FWL algorithm for message-passing, providing high expressiveness with a small parameter count, making it suitable for practical deployment. Additionally, we introduce the GPU-friendly Newton-Raphson method, an efficient parallelized optimization method executed on the GPU to refine DisGNet’s output poses, achieving ultra-high-precision pose. This novel two-stage approach delivers ultra-high precision output while meeting real-time requirements. Our results indicate that on our dataset, DisGNet can achieves error accuracys below 1mm and 1deg at 79.8\% and 98.2\%, respectively. As executed on a GPU, our two-stage method can ensure the requirement for real-time computation. Codes are released at https://github.com/FLAMEZZ5201/DisGNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google