MI-HGNN: Morphology-Informed Heterogeneous Graph Neural Network for Legged Robot Contact Perception

要約

学習ベースの接触知覚のための形態情報に基づく異種グラフ ニューラル ネットワーク (MI-HGNN) を紹介します。
MI-HGNN のアーキテクチャと接続性はロボットの形態から構築され、ノードとエッジはそれぞれロボットのジョイントとリンクになります。
形態学に基づいた制約をニューラル ネットワークに組み込むことで、モデルベースの知識を使用した学習ベースのアプローチが改善されます。
提案した MI-HGNN を 2 つの接触知覚問題に適用し、2 台の四足ロボットを使用して収集した現実世界データとシミュレーション データの両方を使用して広範な実験を実施します。
私たちの実験は、有効性、一般化能力、モデル効率、サンプル効率の点で私たちの方法の優位性を実証しています。
当社の MI-HGNN は、ロボットの形態的対称性を活用する最先端のモデルのパフォーマンスを、わずか 0.21% のパラメータで 8.4% 向上させました。
この研究では MI-HGNN は脚式ロボットの接触知覚問題に適用されていますが、他のタイプの多体力学システムにもシームレスに適用でき、他のロボット学習フレームワークを改善する可能性があります。
私たちのコードは https://github.com/lunarlab-gatech/Morphology-Informed-HGNN で公開されています。

要約(オリジナル)

We present a Morphology-Informed Heterogeneous Graph Neural Network (MI-HGNN) for learning-based contact perception. The architecture and connectivity of the MI-HGNN are constructed from the robot morphology, in which nodes and edges are robot joints and links, respectively. By incorporating the morphology-informed constraints into a neural network, we improve a learning-based approach using model-based knowledge. We apply the proposed MI-HGNN to two contact perception problems, and conduct extensive experiments using both real-world and simulated data collected using two quadruped robots. Our experiments demonstrate the superiority of our method in terms of effectiveness, generalization ability, model efficiency, and sample efficiency. Our MI-HGNN improved the performance of a state-of-the-art model that leverages robot morphological symmetry by 8.4% with only 0.21% of its parameters. Although MI-HGNN is applied to contact perception problems for legged robots in this work, it can be seamlessly applied to other types of multi-body dynamical systems and has the potential to improve other robot learning frameworks. Our code is made publicly available at https://github.com/lunarlab-gatech/Morphology-Informed-HGNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google