English(EN) Learning Contact Dynamics through Touching: Action-conditional Graph Neural Networks for Robotic Peg Insertion

基于学习的接触动力学模型增强机器人插钉性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-17 04:00

研究人员开发了一种新颖的图神经网络模型，能够学习机器人操作任务（如插钉）的接触动力学。该模型仅通过触觉和力矩数据进行自监督训练，可以预测物体姿态更新和反作用力。当与模型预测控制代理集成时，在模拟环境中，它在具有未知几何形状的插钉任务中实现了 98% 的成功率，并且在实际测试中，在位置、力和力矩精度方面显著优于系统识别的 MuJoCo 模型。 AI

影响增强了机器人操作能力，有望在制造和装配领域实现更精确、更具适应性的自动化。

排序理由详细介绍机器人操作新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍机器人操作新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zongyao Yi, Joachim Hertzberg, Martin Atzmueller · 2026-09-17 04:00

通过触摸学习接触动力学：用于机器人插销的动作条件图神经网络

arXiv:2509.12151v3 Announce Type: replace-cross Abstract: We present a learnable physics-based model that predicts motion of the robot end effector and reaction force-torque in contact-rich manipulation. The model represents the end effector and the environment as interacting mes…

本文如何被排名

报道来源 [1]

通过触摸学习接触动力学：用于机器人插销的动作条件图神经网络

相关实体

相关话题