Reconfigurable Robot Identification from Motion Data

将大型语言模型（VLM）和视觉语言模型（VLM）与机器人系统集成，使机器人能够处理和理解复杂的自然语言指令和视觉信息。然而，一个根本性的挑战仍然存在：为了充分利用这些进展，机器人必须深入理解它们的物理实体。人工智能模型的认知能力和对物理实体的理解之间的差距引出以下问题：机器人能否通过与环境的交互自主理解和适应其物理形态和功能？这个问题强调了向开发自我建模机器人的转变，而不依赖于关于它们结构的外部感知或预编程知识。在这里，我们提出了一种元自我建模，可以通过本体感知（位置和运动的内部感觉）推断机器人形态。我们的研究引入了一个12自由度可重构腿式机器人，伴随着一个包含20万个独特配置的多样化数据集，以系统地研究机器人运动与机器人形态之间的关系。利用深度神经网络模型，包括机器人签名编码器和配置解码器，我们展示了我们的系统从本体感知信号准确预测机器人配置的能力。这项研究为机器人自我建模领域做出了贡献，旨在增强它们在现实场景中的物理体现和适应性的理解。

如何通过机器人与环境的交互来实现机器人自我建模，以增强其对自身物理特征的理解和适应性？

通过利用机器人的内部感知信号，如本体感知，提出了一种元自我建模方法，使用深度神经网络模型对机器人的运动和形态之间的关系进行建模和预测。

论文提出了一种新的元自我建模方法，利用机器人的内部感知信号进行预测，避免了对外部传感器或预先编程的知识的依赖。实验使用了一个12自由度的可重构机器人和一个数据集来验证了该方法的有效性。

相关研究包括机器人自我建模、机器人形态学、本体感知和深度学习等方面的研究。近年来的相关论文包括《Self-Supervised Learning of 3D Human Pose using Multi-view Geometry》、《Deep Reinforcement Learning for Vision-Based Robotic Grasping: A Simulated Comparative Evaluation》等。