Компьютерная наука > Робототехника [представлен 15 сентября 2025 (v1), последний пересмотренный 16 сентября 2026 года (этая версия, v3)] Название: Learning Contact Dymologies throughting: Action-contractal Graph Neural Networks for Robotic Peg Integration View PDF HTML (экспериментальный) Резюме: Мы представляем изученную модель физики, которая предсказывает движение робовидного конечного эффекта и силы реакции в махинациях с большим числом контактов. Модель представляет собой конечный эффект и окружающую среду как взаимодействующую сетку в структуре графа, а ее предсказание четко определяется применяемым контрольным входом. Он предсказывает, что уровень объекта будет обновляться непосредственно, в то время как крутящий момент реакции возникает из поля силы на перевертеху. Обучение осуществляется на основе самоконтроля с использованием только данных о кодере и форсунке, в то время как робот случайно прикасается к окружающей среде без контекста задачи. В симуляции наша модель переводится на встроенную цепочку с невидимой геометрией конкавы, где агент MPC достигает 98% от скорости успеха, и после уточнения данных самосбора совпадает с планированием агента с динамикой правды земли при самом узком расстоянии 1 мм. В реальном мире она превзошла системную модель MuJoCO на 45% в позиции и 74% и 63% погрешности при действии и крутящем моменте. История представления: Zongyao Yi [видение электронной почты] [v1] Mon, 15 Sept 2025 17:15:31 UTC (11 897 KB) [ v2] Mons, 2 марта 2026…
Учиться в динамике контактов с помощью прикосновения: действующие графические сети для робототехники
arXiv: 25009.12151v3 Annuales Type: заменить кросс-бюллетень: Мы представляем изученную физико-ориентированную модель, которая предсказывает движение робота конечного эффекта и силы реакции в махинациях с высоким уровнем контакта. Модель представляет собой конечный эффект и окружающую среду как взаимодействующую сетку в структуре графа, а ее предсказание четко определяется применяемым контрольным входом. Он предсказывает, что уровень объекта будет обновляться непосредственно, в то время как крутящий момент реакции возникает из поля силы на перевертеху. Обучение осуществляется на основе самоконтроля с использованием только данных о кодере и форсунке, в то время как робот случайно прикасается к окружающей среде без контекста задачи. В симуляции наша модель переводится на встроенную цепочку с невидимой геометрией конкавы, где агент MPC достигает 98% от скорости успеха, и после уточнения данных самосбора совпадает с планированием агента с динамикой правды земли при самом узком расстоянии 1 мм. В реальном мире она превзошла систему модели MuJoCO на 45% в positi