Learning Contact Dynamics for Control with Action-conditioned Face Interaction Graph Networks

📄 arXiv: 2509.12151v1 📥 PDF

作者: Zongyao Yi, Joachim Hertzberg, Martin Atzmueller

分类: cs.RO, cs.LG

发布日期: 2025-09-15

💡 一句话要点

提出基于动作条件面交互图网络的接触动力学学习模型，用于机器人操作控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 接触动力学 图神经网络 机器人控制 物理模拟 动作条件 富接触操作

📋 核心要点

  1. 现有物理模拟器在处理机器人富接触操作时，难以准确预测运动和力矩，限制了控制性能。
  2. 该论文提出一种基于图神经网络的物理模拟器，通过引入动作条件和新的节点/边类型，提升预测精度。
  3. 实验表明，该模型在仿真和真实环境中均优于基线方法，尤其在力矩预测方面有显著提升。

📝 摘要（中文）

本文提出了一种可学习的物理模拟器，能够对机器人末端执行器在富接触操作中的运动和力矩进行精确预测。该模型扩展了目前最先进的基于图神经网络的模拟器(FIGNet)，通过引入新的节点和边类型，实现了动作条件下的预测，从而支持控制和状态估计任务。在仿真实验中，使用该模型的MPC控制器在具有挑战性的孔中插销任务中，性能与使用真实动力学模型的控制器相当。在真实世界实验中，该模型在运动预测精度上比基线物理模拟器提高了50%，在力矩预测精度上提高了3倍。源代码和数据已公开。

🔬 方法详解

问题定义：论文旨在解决机器人富接触操作中，精确预测末端执行器的运动和力矩的问题。现有物理模拟器难以准确建模复杂的接触动力学，导致控制性能下降，尤其是在真实环境中。

核心思路：论文的核心思路是利用图神经网络(GNN)学习接触动力学模型，并引入动作条件，使模型能够根据不同的动作预测未来的状态。通过扩展FIGNet，增加新的节点和边类型，更有效地表示接触信息和动作的影响。

技术框架：整体框架基于FIGNet，主要包括以下几个模块：1) 图构建模块：根据机器人末端执行器的几何形状和环境信息构建图结构，节点表示表面，边表示节点之间的关系。2) 消息传递模块：利用GNN进行消息传递，更新节点和边的特征。3) 预测模块：根据更新后的节点和边特征，预测末端执行器的运动和力矩。关键在于将动作信息作为条件输入到GNN中，影响消息传递和预测过程。

关键创新：最重要的创新点在于将动作信息融入到GNN中，实现了动作条件下的动力学预测。此外，通过引入新的节点和边类型，更有效地表示了接触信息，提升了模型的预测精度。与现有方法相比，该模型能够更好地捕捉接触动力学的复杂性，从而提高控制性能。

关键设计：论文中关键的设计包括：1) 节点和边的类型：除了FIGNet原有的节点和边类型外，还引入了表示动作的节点和边。2) 损失函数：采用均方误差(MSE)损失函数，用于衡量预测的运动和力矩与真实值之间的差距。3) 网络结构：GNN采用多层感知机(MLP)作为节点和边的更新函数。具体的参数设置（如网络层数、隐藏层大小等）未知。

📊 实验亮点

实验结果表明，该模型在真实世界实验中，运动预测精度比基线物理模拟器提高了50%，力矩预测精度提高了3倍。在仿真环境中，使用该模型的MPC控制器在孔中插销任务中，性能与使用真实动力学模型的控制器相当。这些结果验证了该模型在接触动力学预测方面的有效性。

🎯 应用场景

该研究成果可应用于机器人操作、自动化装配、虚拟现实等领域。通过精确预测接触动力学，可以提高机器人操作的稳定性和精度，实现更复杂的任务。例如，在自动化装配中，可以利用该模型优化装配路径，减少碰撞和误差。在虚拟现实中，可以提供更真实的触觉反馈。

📄 摘要（原文）

We present a learnable physics simulator that provides accurate motion and force-torque prediction of robot end effectors in contact-rich manipulation. The proposed model extends the state-of-the-art GNN-based simulator (FIGNet) with novel node and edge types, enabling action-conditional predictions for control and state estimation tasks. In simulation, the MPC agent using our model matches the performance of the same controller with the ground truth dynamics model in a challenging peg-in-hole task, while in the real-world experiment, our model achieves a 50% improvement in motion prediction accuracy and 3$\times$ increase in force-torque prediction precision over the baseline physics simulator. Source code and data are publicly available.