The Road to Learning Explainable Inverse Kinematic Models: Graph Neural Networks as Inductive Bias for Symbolic Regression

要約

このペーパーでは、グラフ ニューラル ネットワーク (GNN) を使用して、自動生成されたデータセットに基づいてインバース キネマティクス (IK) を学習する方法を示します。
生成された逆運動学は、同じ自由度 (DOF) を持つが、リンク長の構成が異なるマニピュレーターのファミリーに一般化されます。
結果は、位置誤差が 3 DOF で 1.0 cm 未満、5 DOF で 4.5 cm 未満、方向誤差が 3 DOF で 2$^\circ$ 、6 DOF で 8.2$^\circ$ であることを示しています。
特定の現実世界の問題。
ただし、結果の GNN ではドメイン外エラーと外挿の欠如が観察される場合があります。
これらのエラーの広範な分析により、将来の機能強化の可能性が示されています。
その結果、生成された GNN は、シンボリック回帰を通じて分析方程式を生成するための帰納的バイアスとして将来の作業で使用できるように調整されています。

要約(オリジナル)

This paper shows how a Graph Neural Network (GNN) can be used to learn an Inverse Kinematics (IK) based on an automatically generated dataset. The generated Inverse Kinematics is generalized to a family of manipulators with the same Degree of Freedom (DOF), but varying link length configurations. The results indicate a position error of less than 1.0 cm for 3 DOF and 4.5 cm for 5 DOF, and orientation error of 2$^\circ$ for 3 DOF and 8.2$^\circ$ for 6 DOF, which allows the deployment to certain real world-problems. However, out-of-domain errors and lack of extrapolation can be observed in the resulting GNN. An extensive analysis of these errors indicates potential for enhancement in the future. Consequently, the generated GNNs are tailored to be used in future work as an inductive bias to generate analytical equations through symbolic regression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google