Graph Neural Network-Based Predictive Modeling for Robotic Plaster Printing
作者: Diego Machain Rivera, Selen Ercan Jenny, Ping Hsun Tsai, Ena Lloret-Fritschi, Luis Salamanca, Fernando Perez-Cruz, Konstantinos E. Tatsis
发布时间: 2025-04-02
来源: arxiv
研究方向: 建筑机器人打印与数据驱动预测模型
主要内容
该研究提出了一种基于图神经网络（GNN）的建模方法，用于预测基于颗粒的制造过程中产生的表面。该方法使用机器人臂轨迹特征（如位置、速度和方向）以及打印过程参数来计算预测。该模型采用粒子表示墙域和末端执行器，允许采用基于图的解决方案。GNN模型由编码器-处理器-解码器架构组成，并使用实验室测试数据进行训练，同时通过贝叶斯方案优化超参数。
主要贡献
1. 提出了一种基于GNN的模型，用于预测机器人打印过程中材料的积累。
2. 通过数据增强技术提高了模型的预测精度。
3. 实现了比现有基准模型更精确和可扩展的建模。
4. 证明了模型在长距离轨迹预测方面的鲁棒性和可靠性。
研究方法
1. 图神经网络（GNN）
2. 数据增强
3. 贝叶斯优化
4. Adam优化器
5. Hausdorff距离
6. 均方误差（MSE）
7. 最大绝对误差（MAE）
实验结果
实验结果表明，所提出的GNN模型在预测墙壁厚度方面优于现有基准模型，在所有误差指标中均表现出显著的性能提升。此外，该模型在预测步骤数量方面的误差缩放方面也表现出显著改进，表明其在长距离轨迹预测方面的鲁棒性和可靠性更高。
未来工作
未来的工作将包括考虑重力、喷涂枪压力、材料密度和喷涂角度等因素的影响，以及在打印过程中收集连续数据以及生成基准数据集以验证训练模型。