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に、形態に基づいた不均一グラフニューラルネットワーク（MI-HGNN）を提示します。
Mi-HGNNのアーキテクチャと接続性は、ノードとエッジがそれぞれロボットジョイントとリンクであるロボットの形態から構築されています。
形態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により、モデルベースの知識を使用して学習ベースのアプローチを改善します。
提案されたMI-HGNNを2つの接触知覚問題に適用し、2つの四足込んだロボットを使用して収集された現実世界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、およびサンプル効率の観点から、私たちの方法の優位性を示しています。
私たちのMi-HGNNは、ロボットの形態対称性を8.4％レバレッジし、そのパラメーターのわずか0.21％をレバレッジする最先端のモデルのパフォーマンスを改善しました。
Mi-HGNNは、この作業でレッグされたロボットの接触知覚問題に適用されますが、他のタイプのマルチボディダイナミカルシステムに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-nformed-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