ترجمه فارسی مقاله هترومورفئوس: کنترل جهانی مبتنی بر مدل‌سازی ناهمگنی مورفولوژیکی

چکیده

In the field of robotic control, designing individual controllers for each robot leads to high computational costs. Universal control policies, applicable across diverse robot morphologies, promise to mitigate this challenge. Predominantly, models based on Graph Neural Networks (GNN) and Transformers are employed, owing to their effectiveness in capturing relational dynamics across a robot’s limbs. However, these models typically employ homogeneous graph structures that overlook the functional diversity of different limbs. To bridge this gap, we introduce HeteroMorpheus, a novel method based on heterogeneous graph Transformer. This method uniquely addresses limb heterogeneity, fostering better representation of robot dynamics of various morphologies. Through extensive experiments we demonstrate the superiority of HeteroMorpheus against state-of-the-art methods in the capability of policy generalization, including zero-shot generalization and sample-efficient transfer to unfamiliar robot morphologies.

چکیده به فارسی (ترجمه ماشینی)

در زمینه کنترل رباتیک ، طراحی کنترل کننده های فردی برای هر ربات منجر به هزینه های محاسباتی بالایی می شود.سیاست های کنترل جهانی ، قابل استفاده در مورفولوژی های متنوع ربات ، قول کاهش این چالش را می دهد.به طور عمده ، مدل های مبتنی بر شبکه های عصبی نمودار (GNN) و ترانسفورماتورها به دلیل اثربخشی آنها در ضبط پویایی رابطه در اندامهای یک ربات استفاده می شوند.با این حال ، این مدل ها به طور معمول از ساختارهای نمودار همگن استفاده می کنند که از تنوع عملکردی اندامهای مختلف غافل می شوند.برای عبور از این شکاف ، ما Heteromorpheus را معرفی می کنیم ، یک روش جدید مبتنی بر ترانسفورماتور نمودار ناهمگن.این روش به طور منحصر به فرد ناهمگونی اندام را به وجود می آورد ، و تقویت بهتر پویایی ربات مورفولوژی های مختلف را تقویت می کند.از طریق آزمایش های گسترده ، ما برتری هترومورفوس را در برابر روشهای پیشرفته در توانایی تعمیم سیاست ، از جمله تعمیم صفر و انتقال کارآمد به مورفولوژی های ربات ناآشنا نشان می دهیم.