Diskretes Riemannsches Framework für Robot Learning auf Polygonnetzen
Die Autoren stellen in einem Preprint ein diskretes Riemannsches Framework vor, das Roboterlernen direkt auf polygonalen Oberflächennetzen ermöglicht. Kern sind geometrisch konsistente Exponential- und Logarithmusabbildungen, Paralleltransport und Projektionen, die auch an Kanten und Ecken wohldefiniert sind. In Simulationen und zwei realen Szenarien mit einem Franka Research 3 zeigen sich stabilere DMP-Generalisierung sowie eine etwa halbierte Trainingszeit bei Riemannian Flow Matching im Vergleich zu spektralen Baselines; dadurch entfallen Glattheitsannahmen und die Beschränkung auf Netzknoten.