URDF-conditioned Graph IK

Исследовательский репозиторий iFaz с обученной inverse kinematics: модель читает URDF робота как кинематический граф и решает IK для манипуляторов, на которых не обучалась. Начальное состояние суставов не требуется. В карточке — четыре эксперимента: loro_irb2400_s0, loro_irb5400_s0, loro_irb6640_s0 и loro_kr16_2_s0.

🧩 Ключевые особенности

• 🦾 URDF подаётся как кинематический граф, а не как фиксированный вектор суставов.
• 🫡 Решает IK без предыдущего joint state.
• 🌐 Проверена в leave-one-robot-out: модель работает на манипуляторах, исключённых из обучения.
• 📀 В каждом эксперименте есть model.pt, config.json, metrics.json, таблицы CSV/Markdown/LaTeX и видео.
• ⚡ Обучение в таблице — около 157 минут на эксперимент при 1.302 GB GPU-памяти.

🔬 Пример

from huggingface_hub import hf_hub_download
import torch
ck = torch.load(hf_hub_download("iFaz/urdf-graph-ik-journal-loro", "experiments/main_s0/model.pt"), weights_only=False)
# model = build_model(ck["cfg"], ck["text_dim"]); model.load_state_dict(ck["state"])

Подробнее

Leave-one-robot-out, среднее по 4 роботам: succ_std 0.8945, full succ_std 0.9935; медианная ошибка позиции 1.45 мм, ориентации 0.03664°.
Базовые DLS multistart, PyBullet IK и ikpy дают 0.9594, 0.9756 и 0.8431 succ_std соответственно.
Compute: обучение ~156–158 мин, 1.302 GB GPU; инференс CUDA b1 ~174–178 мс.
Ограничение: разделы Main results, Baselines и Ablations в карточке не заполнены.