⚡ electrical engineering

Floating-Base Deep Lagrangian Networks

Die Arbeit stellt Floating-Base Deep Lagrangian Networks (FeLaN) vor, ein physik-informiertes Deep-Learning-Modell, das durch eine neuartige Parametrisierung der Trägheitsmatrizen die spezifischen physikalischen Zwangsbedingungen schwimmender Basissysteme erfüllt und damit auf simulierten und realen Robotern eine verbesserte Leistung sowie physikalische Interpretierbarkeit erreicht.

Ursprüngliche Autoren: Lucas Schulze, Juliano Decico Negri, Victor Barasuol, Vivian Suzano Medeiros, Marcelo Becker, Jan Peters, Oleg Arenz

Veröffentlicht 2026-03-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Lucas Schulze, Juliano Decico Negri, Victor Barasuol, Vivian Suzano Medeiros, Marcelo Becker, Jan Peters, Oleg Arenz

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stell dir vor, du möchtest einem Roboter beibringen, wie er läuft, balanciert oder einen Ball fängt. Dafür muss der Roboter verstehen, wie seine eigenen Muskeln (die Motoren) und sein Körper (die Gliedmaßen) auf die Schwerkraft und Bewegung reagieren. In der Robotik nennen wir das ein dynamisches Modell.

Bisher gab es zwei Hauptwege, dieses Modell zu erstellen:

Der "Weißbuch"-Ansatz (Physik-Experte): Man berechnet alles mit Formeln aus der Schulphysik. Das ist sehr genau, wenn man den Roboter perfekt kennt, aber extrem aufwendig zu programmieren.
Der "Schwarzbuch"-Ansatz (KI-Experte): Man füttert eine künstliche Intelligenz (ein neuronales Netz) mit Daten, und sie lernt einfach auswendig, was passiert. Das ist flexibel, aber die KI versteht die Physik nicht wirklich. Sie macht oft Fehler, wenn der Roboter etwas Neues macht, das sie nicht im Training gesehen hat.

Die Autoren dieses Papers haben einen cleveren dritten Weg gefunden: Der "Graubuch"-Ansatz (FeLaN). Sie haben die KI so gebaut, dass sie die Gesetze der Physik zwangsläufig einhalten muss.

Hier ist die Erklärung der wichtigsten Ideen, ganz einfach und mit Analogien:

1. Das Problem: Der schwebende Roboter

Die meisten Roboter, die wir kennen (wie Boston Dynamics' Spot oder humanoide Roboter), haben keine festen Füße. Sie laufen auf vier Beinen oder zwei Beinen. Man nennt sie Floating-Base-Systeme (schwebende Basis).

Stell dir vor, du stehst auf einem Skateboard und wirfst einen Ball. Deine Bewegung verändert sich, weil sich dein Gewicht verlagert. Bei einem Roboter ist das noch komplizierter:

Seine Beine sind wie Äste an einem Baum (verzweigt).
Wenn er ein Bein bewegt, verändert sich, wie schwer sich der ganze Körper anfühlt.
Die Physik sagt uns: Die "Trägheit" (wie schwer es ist, den Roboter zu bewegen) muss bestimmte Regeln einhalten. Zum Beispiel darf sie nie negativ sein (das wäre unmöglich), und sie muss bestimmte mathematische Grenzen einhalten (wie die "Dreiecksungleichung" – eine Art mathematisches Gesetz, das sicherstellt, dass die Masse realistisch verteilt ist).

Bisherige KI-Modelle ignorierten diese Regeln oft. Sie lernten nur aus Daten. Das funktionierte gut im Training, aber sobald der Roboter in einer neuen Situation war, geriet er ins Straucheln, weil seine "innere Physik" falsch war.

2. Die Lösung: FeLaN (Floating-Base Deep Lagrangian Networks)

Die Autoren haben eine neue Art entwickelt, die KI zu programmieren. Sie nennen es FeLaN.

Stell dir die KI nicht als ein schwarzes Kasten-Geheimnis vor, sondern als einen Baumeister mit einem strengen Bauplan.

Der Bauplan (Die Parametrisierung): Normalerweise baut eine KI ihre Gewichte (die Parameter) einfach so zusammen, wie es ihr gefällt. FeLaN hingegen baut die "Trägheitsmatrix" (das ist die mathematische Karte, die beschreibt, wie der Roboter sich bewegt) aus speziellen Bausteinen zusammen.
Die Magie der "Reihenfolge": Die Autoren nutzen einen mathematischen Trick (eine "neu sortierte Cholesky-Zerlegung"). Stell dir vor, du hast einen Stapel Karten. Wenn du sie in der falschen Reihenfolge mischst, wird das Muster chaotisch. Wenn du sie aber in der richtigen Reihenfolge mischst (wie bei einem verzweigten Baum), bleiben die Verbindungen zwischen den Ästen klar.
- Das bedeutet: Wenn sich nur das linke Bein bewegt, ändert sich in der KI-Formel nur der Teil für das linke Bein. Der Rest bleibt stabil. Das nennt man Verzweigungs-Sparsity (Verzweigungs-Dünnheit).
Die Sicherheitsgurte: Die KI ist so gebaut, dass sie gar nicht anders kann, als physikalisch korrekte Ergebnisse zu liefern. Sie kann keine negative Masse berechnen und keine unmöglichen Trägheitswerte. Es ist wie ein Auto, das physikalisch nicht bremsen kann, wenn es vorwärts fährt – die Physik ist in den Code eingewebt.

3. Warum ist das so toll? (Die Ergebnisse)

Die Forscher haben FeLaN an echten Robotern getestet (einem vierbeinigen Roboter namens "Go2", einem humanoide Roboter "Talos" und anderen).

Bessere Vorhersagen: FeLaN sagte voraus, wie viel Kraft die Motoren brauchen, viel genauer als die anderen Methoden.
Robuster: Selbst wenn die Daten verrauscht waren oder der Roboter etwas Neues tat, machte FeLaN weniger Fehler.
Verständlich: Da die KI die physikalischen Regeln einhält, können Ingenieure besser verstehen, warum die KI eine Entscheidung trifft. Es ist kein "Zauber", sondern nachvollziehbare Physik.

Zusammenfassung in einem Satz

FeLaN ist wie ein KI-Trainer, der einem Roboter nicht nur zeigt, wie er läuft, sondern ihm gleichzeitig die Gesetze der Schwerkraft und der Masse als festes Regelwerk mitgibt, damit er auch in unbekannten Situationen nicht stolpert.

Das ist ein großer Schritt hin zu Robotern, die sicherer, effizienter und intelligenter in unserer echten Welt agieren können, ohne dass wir sie für jede einzelne Bewegung neu programmieren müssen.

1. Problemstellung

In der Robotik sind präzise dynamische Modelle für Simulation, Steuerung und Zustandsschätzung unerlässlich. Während klassische Systemidentifikation (SysID) physikalische Prinzipien nutzt (White-Box) und Black-Box-Methoden (z. B. reine neuronale Netze) flexibel sind, aber schlecht generalisieren, kombinieren Grey-Box-Methoden beide Ansätze.

Das spezifische Problem dieses Papers betrifft Floating-Base-Systeme (z. B. humanoide Roboter und Vierbeiner). Bisherige Grey-Box-Methoden (wie Deep Lagrangian Networks, DeLaN) wurden primär für feststehende Basen oder einzelne starre Körper entwickelt. Bei Floating-Base-Systemen werden jedoch entscheidende physikalische Einschränkungen ignoriert:

Branch-induced Sparsity (Verzweigungsbedingte Sparsamkeit): Die Trägheitsmatrix ist nicht voll besetzt, sondern weist eine spezifische Struktur auf, die von der kinematischen Verzweigung des Roboters abhängt.
Input-Unabhängigkeit: Bestimmte Blöcke der Trägheitsmatrix hängen nur von den Gelenken des jeweiligen kinematischen Astes ab, nicht vom gesamten Zustand.
Composite Spatial Inertia: Die $6 \times 6$ -Matrix, die die Beschleunigung der Basis mit der gesamten Kraft am Basisframe verknüpft, muss physikalisch konsistent sein. Dies beinhaltet nicht nur die Positive Definitheit, sondern auch die Dreiecksungleichung der Eigenwerte des rotatorischen Trägheitstensors (eine Eigenschaft, die für einzelne starre Körper gilt und sich auf das zusammengesetzte System überträgt).

Das Ignorieren dieser Constraints führt zu Modellen, die physikalisch inkonsistent sind und außerhalb des Trainingsbereichs (Out-of-Distribution) schlecht generalisieren.

2. Methodik

Die Autoren schlagen Floating-Base Deep Lagrangian Networks (FeLaN) vor, eine Erweiterung von DeLaN, die eine neuartige Parametrisierung der Trägheitsmatrix verwendet, um alle physikalischen Constraints zu erfüllen.

A. Parametrisierung der Trägheitsmatrix

Statt die Trägheitsmatrix $H$ direkt zu lernen oder eine Standard-Cholesky-Zerlegung zu verwenden (die die Sparsamkeit zerstört), nutzen die Autoren eine neu geordnete Cholesky-Zerlegung (Reordered Cholesky Factorization):
$H(q) = L(q)^T L(q)$
Dabei ist $L(q)$ eine untere Dreiecksmatrix, deren Struktur die kinematischen Verzweigungen des Roboters widerspiegelt. Die Matrix $L$ wird in Blöcke unterteilt, die nur von den Gelenken des jeweiligen Astes abhängen.

Um vollständige physikalische Konsistenz zu garantieren, wird $L$ so parametrisiert, dass folgende Bedingungen erfüllt sind:

Positive Definitheit: Durch positive Diagonalelemente in $L$ .
Dreiecksungleichung: Die rotatorische Trägheit $I_B$ wird über eine Kovarianzmatrix $\Sigma_R$ definiert ( $I_B = \text{Tr}(\Sigma_R)I - \Sigma_R$ ), was die Dreiecksungleichung der Eigenwerte automatisch sicherstellt.
Erster Massmoment (Schwerpunkt): Die Kopplung zwischen linearer und angularer Bewegung wird durch eine spezifische Blockstruktur in $L$ (insbesondere $L_{RL}$ ) modelliert.
Masse: Die Gesamtmasse wird als trainierbarer Skalar ( $\theta_m^2$ ) parametrisiert, um Positivität zu garantieren.

B. Deep Learning Architektur

Netzwerkstruktur: Es werden mehrere neuronale Netze verwendet. Ein zentrales Netz schätzt globale Parameter ( $L_\Sigma$ , $L_R$ ), während separate Netze pro kinematischem Ast ( $NN_k$ ) die astspezifischen Blöcke ( $L_{kL}, L_{kR}, L_k$ ) nur aus den Gelenken dieses Astes berechnen. Dies erzwingt die Input-Unabhängigkeit.
Verlustfunktion: Das Netzwerk wird trainiert, um den Fehler der inversen Dynamik zu minimieren. Da die Energie nicht direkt beobachtbar ist, wird der Fehler zwischen dem gemessenen Drehmoment $\tau$ und dem berechneten Drehmoment (basierend auf der Lagrange-Gleichung) minimiert.
Potentialenergie: Die Potentialenergie wird nicht durch ein separates Netz gelernt, sondern direkt aus den geschätzten Parametern der Trägheitsmatrix (Masse und Schwerpunktsvektor) berechnet, was die Konsistenz weiter erhöht.

3. Wichtige Beiträge

Erweiterung der physikalischen Konsistenz: Die Autoren erweitern die Bedingungen für physikalische Konsistenz von einzelnen starren Körpern auf die composite spatial inertia von Floating-Base-Systemen (insbesondere die Dreiecksungleichung der Eigenwerte).
Neue Parametrisierung: Entwicklung einer unbeschränkten Parametrisierung der Trägheitsmatrix, die Branch-induced Sparsity, Input-Unabhängigkeit und die Dreiecksungleichung gleichzeitig erfüllt.
FeLaN Architektur: Einführung eines Grey-Box-Deep-Learning-Ansatzes, der Lagrange-Mechanik mit der neuen Parametrisierung kombiniert.
Datensatz und Evaluation: Bereitstellung eines umfassenden Datensatzes mit Simulations- und Realroboterdaten (Unitree Go2, Boston Dynamics Spot, Talos, HyQReal2).

4. Ergebnisse

Die Methode wurde an mehreren Robotern (Quadrupeds und Humanoids) in Simulation und in der realen Welt evaluiert und mit Baselines wie MLP, DeLaN, verschiedenen DNEA-Varianten (Differentiable Newton-Euler) und anderen Grey-Box-Ansätzen verglichen.

Simulationsdaten: FeLaN erreichte auf dem Unitree Go2 und Talos die besten Ergebnisse (niedrigster normalisierter mittlerer quadratischer Fehler, NMSE). Es übertraf sowohl Black-Box-Methoden (MLP) als auch Standard-Grey-Box-Methoden (DeLaN).
Realroboter-Daten: Auf echten Robotern (HyQReal2, Spot, Talos) zeigte FeLaN die beste robuste Generalisierung über verschiedene Roboter hinweg (niedrigster relativer NMSE).
- Während reine Black-Box-Methoden (MLP) oder DNEA-Modelle mit unbeschränkten Parametern auf spezifischen Robotern gut funktionieren konnten, aber schlecht generalisierten, war FeLaN konsistent.
- FeLaN zeigte eine bessere Vorhersagegenauigkeit für einzelne Dynamikkomponenten (z. B. Gravitationsterm), was auf die korrekte Parametrisierung der Masse und des Schwerpunkts zurückzuführen ist.
Interpretierbarkeit: Im Gegensatz zu Black-Box-Modellen liefert FeLaN physikalisch interpretierbare Größen (Masse, Trägheit, Schwerpunkt), die den realen Werten entsprechen.

5. Bedeutung und Ausblick

Das Paper demonstriert, dass die explizite Einbeziehung komplexer physikalischer Constraints (insbesondere bei verzweigten kinematischen Ketten) die Generalisierungsfähigkeit von Deep-Learning-Modellen für Robotik drastisch verbessert.

Signifikanz: FeLaN überwindet die Limitierungen bestehender Grey-Box-Methoden für Floating-Base-Systeme, indem es die physikalische Struktur der Trägheitsmatrix korrekt abbildet, ohne dass vollständige Vorwissen über dynamische Parameter (Massen, Trägheiten) notwendig ist.
Zukunft: Die Autoren planen, FeLaN für Locomotion- und Loco-Manipulation-Aufgaben zu nutzen, entweder als gelerntes dynamisches Modell oder in Kombination mit adaptiven Regelungsverfahren.

Zusammenfassend stellt FeLaN einen wichtigen Schritt hin zu physikalisch konsistenten, dateneffizienten und generalisierbaren dynamischen Modellen für komplexe mobile Roboter dar.