基于Transformer骨架预测和神经形状控制的平面超冗余机器人笼络运输框架

《Symmetry》：Symmetry-Preserving Transformer-Based Shape Prediction and Neural Shape Control for Whole-Body Object Caging with Hyper-Redundant Robots

　　

摘要

对于超冗余机器人而言，协调全身形状生成、几何物体笼络和碰撞感知运输仍然是一项挑战。本研究提出了一个框架，集成了基于Transformer的骨架预测、保持笼络的几何细化和神经形状控制，用于在静态和移动障碍物中运行的平面50连杆机器人。该框架在五种模拟场景中进行了评估，基于理想化运动学假设，未考虑显式执行器动力学、接触力或传感不确定性。完整实现实现了100%的几何笼络成功率，平均笼络中心和笼络径向误差分别为0.001786和0.000062。然而，平均机器人-障碍物和物体-障碍物碰撞率分别为75.22%和15.87%，五种场景均未满足完整任务成功标准。对软笼络吸引进行的受控消融实验在保留硬笼络投影时产生了几乎不变的性能，表明在评估条件下，软吸引项的增量收益有限。本实验并未从整体上分离对称性保持的贡献。一项专门的CPU基准测试测量得出平均控制周期延迟为128.792 ± 2.401 ms，其中形状优化约占平均周期时间的51.4%。研究结果表明局部包络几何的持续维护得以实现，但未确立无碰撞运输或物理可行的操作。进一步开发应优先考虑全身可行性、碰撞感知运动规划，以及跨更多训练种子和物理逼真环境的验证。