CEMSSL: A Unified Framework for Multi-Solution Inverse Kinematic Model Learning of Robot Arms with High-Precision Manipulation

要約

複数のソリューションは主にロボット アームに冗長な自由度が存在することに由来しており、これにより逆モデル学習が困難になる可能性がありますが、柔軟性や堅牢性の向上など、多くの利点ももたらす可能性があります。
現在のマルチソリューション逆モデル学習方法は、条件付きの深い生成モデルに依存していますが、複数のソリューションを学習する際に十分な精度を達成できないことがよくあります。
この論文では、ロボットアームのマルチソリューション逆モデル学習のための条件付き組み込み型自己教師あり学習（CEMSSL）を提案し、他の条件付き深層生成モデルに適用可能な高精度マルチソリューション逆モデル学習のための統一フレームワークを提示します。
私たちの実験結果は、私たちのフレームワークが元の手法の特性を維持しながら、精度の大幅な向上 (最大 2 桁) を達成できることを示しています。
関連コードは近日中に公開される予定です。

要約(オリジナル)

Multiple solutions mainly originate from the existence of redundant degrees of freedom in the robot arm, which may cause difficulties in inverse model learning but they can also bring many benefits, such as higher flexibility and robustness. Current multi-solution inverse model learning methods rely on conditional deep generative models, yet they often fail to achieve sufficient precision when learning multiple solutions. In this paper, we propose Conditional Embodied Self-Supervised Learning (CEMSSL) for robot arm multi-solution inverse model learning, and present a unified framework for high-precision multi-solution inverse model learning that is applicable to other conditional deep generative models. Our experimental results demonstrate that our framework can achieve a significant improvement in precision (up to 2 orders of magnitude) while preserving the properties of the original method. The related code will be available soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google