[论文解读] Neural Inverse Kinematics

Raphael Bensadoun, Shir Gur+3 more|arXiv (Cornell University)|May 22, 2022

Robotic Mechanisms and Dynamics被引用 4

一句话总结

本文提出IKNet，一种基于深度学习的逆运动学方法，利用超网络有条件地生成高斯混合模型（GMM），以沿运动链顺序采样关节。通过利用分层结构和变分方法，该方法从单对一的训练数据中建模多个有效的逆运动学解，实现了高速推理、对噪声的鲁棒性，以及在路径跟踪和泛化任务中的优越性能。

ABSTRACT

Inverse kinematic (IK) methods recover the parameters of the joints, given the desired position of selected elements in the kinematic chain. While the problem is well-defined and low-dimensional, it has to be solved rapidly, accounting for multiple possible solutions. In this work, we propose a neural IK method that employs the hierarchical structure of the problem to sequentially sample valid joint angles conditioned on the desired position and on the preceding joints along the chain. In our solution, a hypernetwork $f$ recovers the parameters of multiple primary networks {$g_1,g_2,\dots,g_N$, where $N$ is the number of joints}, such that each $g_i$ outputs a distribution of possible joint angles, and is conditioned on the sampled values obtained from the previous primary networks $g_j, j<i multiple></i>

研究动机与目标

• 为使用深度学习建模机械臂中多个逆运动学解的挑战提供解决方案。
• 实现实时机器人控制的快速前馈推理，无需迭代优化。
• 在仅包含每个位姿一个解的训练数据下，学习基于末端执行器位姿的关节构型概率表示。
• 通过基于先前关节状态的条件采样，提升路径跟踪的精度与平滑性。
• 展示所学表示在下游任务（如序列到序列映射）中的可迁移性与实用性。

提出的方法

• 超网络 f 计算 N 个主网络 g₁,…,gₙ 的参数，其中每个 gᵢ 输出关节角上的GMM。
• 每个 gᵢ 均基于期望的末端执行器位姿 x 和先前关节的采样关节角 y¹,…,yⁱ⁻¹ 进行条件化。
• 该模型采用顺序采样策略：关节逐个从GMM中采样，每一步均基于先前的采样结果进行条件化。
• 超网络 f 在来自正向运动学的 (x, y) 对上进行训练，训练过程中不观察多个解。
• 在推理阶段，通过从GMM中采样生成高方差的关节分布，从而实现多个有效的逆运动学解。
• 在路径跟踪中，模型同时基于当前 x 和先前的关节构型进行条件化，以确保时间上的平滑性。

实验结果

研究问题

• RQ1 当仅在一对一 (x, y) 对上进行训练时，深度学习模型能否有效捕捉逆运动学的多解特性？
• RQ2 与基于优化或端到端学习的方法相比，使用GMM的分层顺序采样策略在速度和解质量方面表现如何？
• RQ3 该模型能否在极少微调的情况下泛化到未见过的运动链？
• RQ4 由超网络 f 学习到的表示是否支持下游任务（如末端执行器轨迹的序列到序列映射）？
• RQ5 该方法在运动链中输入维度存在噪声或扰动时的鲁棒性如何？

主要发现

• IKNet 在路径跟踪任务中优于基于优化和基于学习的基线方法，能够生成多个准确且稳定的解，而基线方法仅能生成单一解。
• 当用作在末端执行器轨迹上训练基于Transformer的seq2seq模型的表示时，该方法实现了更快的收敛速度和更低的误差。
• 仅用少量示例对预训练的IKNet模型在新的未见运动链（如机械臂B）上进行微调，即可获得优异性能，证明了其可迁移性。
• 该模型对噪声关节维度表现出鲁棒性，在扰动下仍能保持较低的正向运动学误差。
• 由超网络 f 学习到的表示相比直接使用原始末端执行器位姿，能显著加快并提升下游模型（如Transformer）的训练速度与精度。
• IKNet 的推理速度远快于迭代优化方法，适用于实时机器人控制。