CEMSSL: Conditional Embodied Self-Supervised Learning is All You Need for High-precision Multi-solution Inverse Kinematics of Robot Arms

要約

ロボット工学の信号処理の分野では、ロボットアームの逆運動学は、冗長な自由度（DOFS）によって引き起こされる複数のソリューションのために重要な課題を提示します。
精度は、ロボットアームの重要なパフォーマンスインジケーターでもあります。
現在の方法は通常、条件付きディープ生成モデル（CDGM）に依存していますが、これはしばしば正確に不足しています。
このホワイトペーパーでは、条件付き具体化された自己監視学習（CEMSSL）を提案し、高精度の多溶液逆運動学習のためのCEMSSLに基づく統一フレームワークを導入します。
このフレームワークは、元のプロパティを維持しながら、既存のCDGMの精度を最大2〜3桁強化します。
さらに、私たちの方法は、事前にマルチソリューションデータを取得することが困難である他の信号処理のフィールドに拡張可能であり、マルチソリューションの逆プロセスを含む他の問題にも困難です。

要約(オリジナル)

In the field of signal processing for robotics, the inverse kinematics of robot arms presents a significant challenge due to multiple solutions caused by redundant degrees of freedom (DOFs). Precision is also a crucial performance indicator for robot arms. Current methods typically rely on conditional deep generative models (CDGMs), which often fall short in precision. In this paper, we propose Conditional Embodied Self-Supervised Learning (CEMSSL) and introduce a unified framework based on CEMSSL for high-precision multi-solution inverse kinematics learning. This framework enhances the precision of existing CDGMs by up to 2-3 orders of magnitude while maintaining their original properties. Furthermore, our method is extendable to other fields of signal processing where obtaining multi-solution data in advance is challenging, as well as to other problems involving multi-solution inverse processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google