DisGNet：一种用于 Gough-Stewart 平台正向运动学学习的距离图神经网络
DisGNet: A Distance Graph Neural Network for Forward Kinematics Learning of Gough-Stewart Platform
AI总结：
本文提出图神经网络 DisGNet 结合 GPU 友好的 Newton-Raphson 两阶段方法，解决 Gough-Stewart 平台正向运动学问题，在满足实时计算的同时实现超高精度位姿输出。
摘要：
在本文中，我们提出了一种图神经网络 DisGNet，通过学习图距离矩阵来解决 Gough-Stewart 平台的正向运动学问题。DisGNet 采用 k-FWL 算法进行消息传递，以较少的参数量提供高表达能力，使其适合实际部署。此外，我们引入了对 GPU 友好的 Newton-Raphson 方法，这是一种在 GPU 上执行的高效并行优化方法，用于优化 DisGNet 的输出位姿，实现超高精度位姿。这种新颖的两阶段方法在满足实时性要求的同时，提供超高精度输出。结果表明，在我们的数据集上，DisGNet 分别有 79.8% 和 98.2% 的情况实现了低于 1mm 和 1deg 的误差精度。由于在 GPU 上执行，我们的两阶段方法能确保实时计算的要求。代码发布于 https://github.com/FLAMEZZ5201/DisGNet。
英文摘要：
In this paper, we propose a graph neural network, DisGNet, for learning the graph distance matrix to address the forward kinematics problem of the Gough-Stewart platform. DisGNet employs the k-FWL algorithm for message-passing, providing high expressiveness with a small parameter count, making it suitable for practical deployment. Additionally, we introduce the GPU-friendly Newton-Raphson method, an efficient parallelized optimization method executed on the GPU to refine DisGNet's output poses, achieving ultra-high-precision pose. This novel two-stage approach delivers ultra-high precision output while meeting real-time requirements. Our results indicate that on our dataset, DisGNet can achieves error accuracys below 1mm and 1deg at 79.8\% and 98.2\%, respectively. As executed on a GPU, our two-stage method can ensure the requirement for real-time computation. Codes are released at https://github.com/FLAMEZZ5201/DisGNet.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
