CafkNet: GNN-Empowered Forward Kinematic Modeling for Cable-Driven Parallel Robots

要約

Cable-Driven Parallel Robot (CDPR) を実際に導入する場合、課題の 1 つは運動学モデリングです。
シリアル メカニズムとは異なり、CDPR には単純な逆運動学の問題がありますが、複雑な順運動学 (FK) の問題があります。
したがって、正確かつ効率的な FK ソルバーの開発は、CDPR アプリケーションにおける顕著な研究の焦点となってきました。
このレターでは、CDPR 内のトポロジーを観察することにより、CDPR をモデル化するためのグラフベースの表現を提案し、グラフ ニューラル ネットワーク (GNN) を活用した高速で汎用的な FK ソルバーである CafkNet を紹介します。
シミュレーション環境と現実世界のシナリオの両方で、制約が不十分な場合、完全に制約されている場合、および制約が過剰な場合を含む、さまざまな構成にわたる 3D および 2D CDPR に対して広範な実験が行われています。
実験結果は、CafkNet が CDPR の内部トポロジー情報を学習し、FK ソルバーとして FK 問題を正確に解決できることを示しています。
さらに、部分構成で CafkNet モデルをトレーニングすると、他の構成へのゼロショット一般化が可能になります。
最後に、CafkNet は、シミュレーション データと現実世界のデータの一部の両方を使用して、sim2real のギャップを効果的に橋渡しします。
私たちの知る限り、これは CDPR の FK 問題を解決するために GNN を使用した最初の研究です。

要約(オリジナル)

When deploying Cable-Driven Parallel Robots (CDPRs) in practice, one of the challenges is kinematic modeling. Unlike serial mechanisms, CDPRs have a simple inverse kinematics problem but a complex forward kinematics (FK) issue. Therefore, the development of accurate and efficient FK solvers has been a prominent research focus in CDPR applications. By observing the topology within CDPRs, in this letter, we propose a graph-based representation to model CDPRs and introduce CafkNet, a fast and general FK solver, leveraging Graph Neural Network (GNN). Extensive experiments are conducted on 3D and 2D CDPRs across various configurations, including under-constrained, fully-constrained, and over-constrained cases, in both simulation environments and real-world scenarios. The experimental results showcase that CafkNet can learn the internal topological information of CDPRs and accurately solve the FK problem as an FK solver. Furthermore, training the CafkNet model on partial configurations enables zero-shot generalization to other configurations. Lastly, CafkNet effectively bridges the sim2real gap by using both simulation data and part of real-world data. To the best of our knowledge, it is the first study that employs the GNN to solve the FK problem for CDPRs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google