Morphological-Symmetry-Equivariant Heterogeneous Graph Neural Network for Robotic Dynamics Learning

要約

ロボットダイナミクス学習のために、ロボットの運動学的構造と形態学的対称性を単一のグラフネットワークに統合するために、形態学的音響測定 – equivariant-equiveriant-equivaniant equivanes graph neural network、すなわちMS-HGNNを提示します。
これらの構造的事前は、制約として学習アーキテクチャに組み込まれており、高い一般化、サンプル、モデルの効率を確保します。
提案されているMS-HGNNは、さまざまなマルチボディダイナミックシステムと幅広いダイナミクス学習問題に適用できる多用途で一般的なアーキテクチャです。
私たちは、MS-HGNNの形態音響体測定 – 識別特性を正式に証明し、実際のデータとシミュレートされたデータの両方を使用して、複数の四足動物のロボット学習問題にわたってその有効性を検証します。
私たちのコードは、https://github.com/lunarlab-gatech/morphsym-hgnn/で公開されています。

要約(オリジナル)

We present a morphological-symmetry-equivariant heterogeneous graph neural network, namely MS-HGNN, for robotic dynamics learning, that integrates robotic kinematic structures and morphological symmetries into a single graph network. These structural priors are embedded into the learning architecture as constraints, ensuring high generalizability, sample and model efficiency. The proposed MS-HGNN is a versatile and general architecture that is applicable to various multi-body dynamic systems and a wide range of dynamics learning problems. We formally prove the morphological-symmetry-equivariant property of our MS-HGNN and validate its effectiveness across multiple quadruped robot learning problems using both real-world and simulated data. Our code is made publicly available at https://github.com/lunarlab-gatech/MorphSym-HGNN/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google