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

要約

ケーブル駆動パラレル ロボット (CDPR) は、その高い積載能力と広い作業スペースにより大きな注目を集めています。
実際に CDPR を導入する場合、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。
この論文では、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。
CafkNet は、シミュレーターと実際のシナリオの両方で、さまざまな構成の 3D および 2D CDPR で広範囲にテストされています。
この結果は、CDPR の内部トポロジーを学習し、FK 問題を正確に解決する能力を示しています。
次に、ある構成から別の構成へのゼロショット一般化が検証されます。
また、シミュレーションと実世界のデータの両方を使用して、CafkNet によって sim2real のギャップを埋めることができます。
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 を採用した最初の研究です。

要約(オリジナル)

The Cable-Driven Parallel Robots (CDPRs) have gained significant attention due to their high payload capacity and large workspace. When deploying 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 paper, we propose a graph-based representation to model CDPRs and introduce CafkNet, a fast and general FK solver, leveraging Graph Neural Network (GNN). CafkNet is extensively tested on 3D and 2D CDPRs in different configurations, both in simulators and real scenarios. The results demonstrate its ability to learn CDPRs’ internal topology and accurately solve the FK problem. Then, the zero-shot generalization from one configuration to another is validated. Also, the sim2real gap can be bridged by CafkNet using both simulation and real-world data. To the best of our knowledge, it is the first study that employs the GNN to solve FK problem for CDPRs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google