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、多くのロボット マニピュレータ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幅広く適用可能ですが、通常は単一の解しか生成せず、非凸目的関数を最小化するために局所探索手法に依存しています。
実行可能な解セット全体を近似する最近の学習ベースのアプローチは、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。
この重要な欠点に対処するために、ユークリッド等変関数のサンプル効率とグラフ ニューラル ネットワーク (GNN) の一般化可能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提案します。
私たちのアプローチは、生成グラフィック逆運動学 (GGIK) です。これは、多数の多様なソリューションを並行して正確かつ効率的に生成できる初の学習型 IK ソルバーであり、一般化機能も備えています。単一の学習済みモデルを使用して IK ソリューションを生成できます。
さまざまなロボットに対応。
他のいくつかの学習済み IK 手法と比較すると、GGIK は同じ量のデータでより正確なソリューションを提供します。
GGIK は、トレーニング中に目に見えないロボット マニピュレータに適切に一般化できます。
さらに、GGIK は、ジョイントの制限をエンコードする制約付き分布を学習し、より大型のロボットや多数のサンプル ソリューションに効率的に拡張できます。
最後に、GGIK を使用すると、ローカル最適化プロセスに信頼性の高い初期化を提供することで、ローカル IK ソルバーを補完できます。

要約(オリジナル)

Quickly and reliably finding accurate inverse kinematics (IK) solutions remains a challenging problem for many robot manipulators. Existing numerical solvers are broadly applicable but typically only produce a single solution and rely on local search techniques to minimize nonconvex objective functions. More recent 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 key shortcoming, we propose a novel distance-geometric robot representation coupled with a graph structure that allows us to leverage the sample efficiency of Euclidean equivariant functions and the generalizability of graph neural networks (GNNs). Our approach is generative graphical inverse kinematics (GGIK), the first learned IK solver able to accurately and efficiently produce a large number of diverse solutions in parallel while also displaying the ability to generalize — a single learned model can be used to produce IK solutions for a variety of different robots. When compared to several other learned IK methods, GGIK provides more accurate solutions with the same amount of data. GGIK can generalize reasonably well to robot manipulators unseen during training. Additionally, GGIK can learn a constrained distribution that encodes joint limits and scales efficiently to larger robots and a high number of sampled solutions. Finally, GGIK can be used to complement local IK solvers by providing reliable initializations for a local optimization process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google