Euclidean Equivariant Models for Generative Graphical Inverse Kinematics

要約

正確な逆運動学 (IK) ソリューションを迅速かつ確実に見つけることは、ロボット操作にとって依然として困難な問題です。
既存の数値ソルバーは通常、単一の解のみを生成し、高度に非凸の目的関数を最小化するために局所探索手法に依存します。
最近では、実行可能な解セット全体を近似する学習ベースのアプローチが、複数の高速で正確な IK 結果を並行して生成する手段として有望であることが示されています。
ただし、既存の学習ベースの手法には重大な欠点があります。対象となる各ロボットには、最初からトレーニングする必要がある特殊なモデルが必要です。
この欠点に対処するために、グラフ ニューラル ネットワーク (GNN) の柔軟性を活用できるグラフ構造と組み合わせた新しい距離幾何ロボット表現を研究します。
このアプローチを使用して、生成グラフィカル逆運動学ソルバー (GGIK) をトレーニングします。このソルバーは、多数の多様なソリューションを並行して生成しながら、適切に一般化することができます。単一の学習済みモデルを使用して、さまざまな異なるソリューションの IK ソリューションを生成できます。
ロボット。
グラフィカルな定式化は、ロボット マニピュレータの空間的性質から生じる IK 問題の対称性とユークリッド等分散性を見事に明らかにします。
この対称性を学習モデルのアーキテクチャにエンコードすることで利用し、複数のロボット用の IK ソリューションのセットを生成できる柔軟なソルバーを生成します。

要約(オリジナル)

Quickly and reliably finding accurate inverse kinematics (IK) solutions remains a challenging problem for robotic manipulation. Existing numerical solvers typically produce a single solution only and rely on local search techniques to minimize a highly nonconvex objective function. Recently, learning-based approaches that approximate the entire feasible set of solutions have shown promise as a means to generate multiple fast and accurate IK results in parallel. However, existing learning-based techniques have a significant drawback: each robot of interest requires a specialized model that must be trained from scratch. To address this shortcoming, we investigate a novel distance-geometric robot representation coupled with a graph structure that allows us to leverage the flexibility of graph neural networks (GNNs). We use this approach to train a generative graphical inverse kinematics solver (GGIK) that is able to produce a large number of diverse solutions in parallel while also generalizing well — a single learned model can be used to produce IK solutions for a variety of different robots. The graphical formulation elegantly exposes the symmetry and Euclidean equivariance of the IK problem that stems from the spatial nature of robot manipulators. We exploit this symmetry by encoding it into the architecture of our learned model, yielding a flexible solver that is able to produce sets of IK solutions for multiple robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google