🤖 machine learning

Learning Forced Multibody Dynamics on Lie Groups

Este artículo propone una arquitectura de aprendizaje profundo geométrico que utiliza ecuaciones de Euler-Lagrange forzadas discretas en grupos de Lie para aprender la dinámica de sistemas mecánicos a partir de datos de solo posición, preservando así las estructuras geométricas inherentes y las leyes de conservación al tiempo que se adapta a sistemas de cuerpos múltiples y controles externos.

Autores originales: Martine Dyring Hansen, Marta Ghirardelli, Elena Celledoni, David Martin de Diego, Brynjulf Owren

Publicado 2026-07-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Martine Dyring Hansen, Marta Ghirardelli, Elena Celledoni, David Martin de Diego, Brynjulf Owren

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a bailar. Tienes un video del baile, pero solo ves la pose del robot (dónde están sus partes del cuerpo) cada pocos fotogramas. No tienes un velocímetro y, ciertamente, no tienes un mapa de las fuerzas invisibles que empujan al robot. Tu objetivo es construir un programa informático que pueda predecir el siguiente movimiento, y luego el siguiente, para siempre, sin que el robot se caiga nunca o sufra errores de funcionamiento.

Este es exactamente el desafío que aborda un equipo de investigadores que propone una nueva forma de aprender cómo se mueven los sistemas mecánicos. Llaman a su creación LieDFLNN.

El Problema: La trampa del "Bloqueo de Gimbal"

La mayoría de los modelos informáticos intentan describir la rotación utilizando un conjunto de tres números, como los ángulos de Euler (piensa en ellos como "guiñada, cabeceo y alabeo"). Es como intentar describir una ubicación en la Tierra usando solo latitud y longitud. Funciona bien hasta que llegas al Polo Norte. De repente, las matemáticas fallan. Esto se llama bloqueo de gimbal.

Si un robot gira 360 grados, un modelo que utiliza ángulos de Euler podría saltar repentinamente de "179 grados" a "-179 grados" solo para mantener los números pequeños. Para la computadora, el robot no giró suavemente; teletransportó. Esto confunde al modelo de aprendizaje, que intenta ajustar una danza fluida a un mapa irregular y roto.

El artículo argumenta explícitamente en contra del uso de estos mapas "planos" estándar (espacios euclidianos) o ángulos de Euler para sistemas que giran o se mueven de formas complejas. Demuestran que forzar los datos de rotación en estas coordenadas planas introduce saltos y errores artificiales que empeoran cuanto más rota el objeto.

La Solución: Bailar sobre una Esfera

En lugar de aplanar el mundo, los autores sugieren que mantengamos el mundo curvo, tal como es. Tratan la orientación del robot no como tres números, sino como una matriz de rotación: una rejilla especial de números que siempre se mantiene "perfectamente ortogonal" (como las esquinas de una caja perfecta).

Piénsalo así: si estás caminando por un suelo plano, puedes usar una regla para medir la distancia. Pero si estás caminando sobre la superficie de una pelota de playa gigante, una regla no funciona bien; necesitas seguir la curva de la pelota. El método de los autores vive directamente en esa "pelota de playa" (matemáticamente conocida como un grupo de Lie, específicamente SO(3) para la rotación y SE(3) para la rotación más el movimiento).

Al hacer esto, el modelo nunca tiene que preocuparse por "teletransportarse" o alcanzar una singularidad. Se mantiene en la superficie de la esfera, tal como lo hace el robot real.

El Truco de Magia: Aprender sin Velocidad

Normalmente, para entender cómo se mueve algo, necesitas conocer su velocidad (velocidad de traslación/rotación). Pero en el mundo real, los sensores a menudo solo te dan posiciones (dónde están las cosas), y calcular la velocidad a partir de la posición es desordenado y ruidoso.

Los autores utilizan un truco ingenioso de la física llamado ecuaciones de Euler-Lagrange discretas forzadas.

La Analogía: Imagina que estás viendo una película de una pelota rodando por una colina. No necesitas saber la velocidad exacta de la pelota en cada milisegundo para predecir dónde estará después. Solo necesitas saber dónde estaba hace dos fotogramas y dónde está ahora. Las leyes de la física (específicamente el principio de "mínima acción") conectan estos puntos.
El Método: Su modelo aprende un "Lagrangiano Discreto". Piensa en esto como un libro de reglas secreto que le dice al sistema cómo saltar de una pose a la siguiente basándose solo en las dos poses anteriores. No necesita calcular la velocidad explícitamente. Simplemente observa el patrón de las posiciones y aprende la "fuerza" que las conecta.

Lo que Demostraron (y lo que no)

Los investigadores no solo supusieron que esto funcionaría; lo probaron con simulaciones y datos reales.

La Prueba del "Gran Giro": Simularon un cuerpo rígido girando. Cuando utilizaron el viejo método de los ángulos de Euler, el modelo falló estrepitosamente a medida que el giro aumentaba, produciendo trayectorias irregulares y erróneas. Cuando usaron su nuevo método de grupos de Lie, el modelo se mantuvo preciso incluso para giros enormes de 360 grados. El error se mantuvo bajo y constante, mientras que el error del método antiguo explotó.
La Prueba de "Larga Distancia": Intentaron predecir el futuro de un objeto giratorio durante 500 pasos (mucho más tiempo que los datos de entrenamiento). El nuevo método se mantuvo en la "esfera" (la forma matemática correcta) todo el tiempo. Los métodos antiguos, incluso si empezaban bien, se desviaban lentamente de la esfera, volviéndose físicamente imposibles (como una matriz de rotación que ya no es un cuadrado perfecto).
La Prueba de la "Cartwheel Humana": Tomaron datos reales de un humano haciendo una voltereta lateral o carwheel (grabada a 120 Hz). Este es un sistema complejo con muchas partes móviles (un "sistema multibody"). Entrenaron al modelo con solo dos grabaciones de la misma persona realizando el mismo movimiento. El modelo aprendió a reproducir el movimiento con alta fidelidad. El error en su predicción fue en realidad menor que la diferencia natural entre las dos grabaciones reales (lo que significa que el modelo fue tan bueno como la propia consistencia del humano).
La Prueba del "Controlador Secreto": En un experimento, conocían la física del robot (su peso y forma) pero no conocían el "cerebro" (la señal de control) que le decía qué hacer. Alimentaron al modelo solo con los datos de posición. El modelo logró descifrar la señal de control oculta, demostrando que puede separar el "cuerpo" del "cerebro".

La Conclusión

El artículo sugiere que, al respetar la geometría curva de la rotación (usando grupos de Lie) y utilizar un libro de reglas de física discreto y paso a paso, podemos construir modelos de aprendizaje que sean:

Más precisos para rotaciones grandes.
Más estables durante periodos largos (no se desvían).
Capaces de aprender de datos de solo posición, ignorando las ruidosas mediciones de velocidad.

No pretendieron afirmar que esto resuelve todos los problemas de la robótica, pero demostraron que para sistemas que giran y se mueven como cuerpos rígidos (drones, robots, extremidades humanas), este enfoque es significativamente mejor que los métodos "planos" estándar. Es una forma de enseñar a las computadoras a entender el mundo tal como es: curvo, conectado y continuo.

Resumen Técnico: Aprendizaje de la Dinámica de Multicuerpos Forzada en Grupos de Lie

Planteamiento del Problema
El aprendizaje de sistemas dinámicos a partir de datos observacionales a menudo implica estados que evolucionan en espacios de configuración no lineales, como el grupo de rotación $SO(3)$ o el grupo de rotaciones y traslaciones $SE(3)$. Los enfoques existentes frecuentemente modelan estos sistemas en embebimientos euclidianos (por ejemplo, mediante ángulos de Euler o coordenadas generalizadas), lo que introduce singularidades de coordenadas (como el bloqueo de cardán o gimbal lock), discontinuidades y ambigüedades de representación. Además, los métodos de aprendizaje estándar suelen requerir datos de velocidad, los cuales pueden no estar disponibles, ser ruidosos o difíciles de obtener a partir de mediciones discretas de posición. Asimismo, los modelos que no respetan intrínsecamente la estructura de la variedad del espacio de configuración pueden sufrir de deriva geométrica, donde las trayectorias predichas violan las restricciones físicas (por ejemplo, la ortogonalidad de las matrices de rotación) con el paso del tiempo.

Metodología
El artículo propone LieDFLNN (Lie Group Discrete Forced Euler-Lagrange Neural Network), una arquitectura que aprende la dinámica de sistemas mecánicos directamente sobre grupos de Lie utilizando únicamente datos de posición. La metodología se fundamenta en la mecánica variacional discreta:

Ecuaciones de Euler-Lagrange Discretas Forzadas: El núcleo del enfoque utiliza las ecuaciones de Euler-Lagrange discretas forzadas en grupos de Lie. En lugar de aproximar las derivadas en tiempo continuo, el método formula la dinámica utilizando Lagrangianos discretos $L_d: G \times G \to \mathbb{R}$ y fuerzas externas discretas. Esta formulación depende exclusivamente de pares de configuraciones consecutivas $(g_k, g_{k+1})$ y sus incrementos de grupo $W_k = g_k^{-1}g_{k+1}$ , eliminando la necesidad de mediciones de velocidad explícitas.
Trivialización: Las ecuaciones se expresan mediante la trivialización por la izquierda, mapeando el haz tangente $TG $a$ G \times \mathfrak{g}$ (donde $\mathfrak{g}$ es la álgebra de Lie). Esto permite que la dinámica se compute enteramente en términos de elementos de grupo y elementos de álgebra, preservando la estructura geométrica.
Parametrización Neuronal: El Lagrangiano discreto y las fuerzas externas están parametrizados por redes neuronales ( $L_\theta$ $L_{θ}$ y $F_\theta$ $F_{θ}$ ). La arquitectura soporta:
- Cuerpos Rígidos: Formulaciones específicas para $SO(3) $y$ SE(3)$, incluyendo matrices de inercia y energías potenciales.
- Sistemas de Multicuerpos: Extensión a variedades de producto (por ejemplo, $SE(3) \times SO(3)^{N}$ ) para modelar sistemas articulados como esqueletos humanos.
- Entradas de Control: El marco puede incorporar leyes de control desconocidas (por ejemplo, controladores de retroalimentación) como parte del término de fuerza externa.
Regularización: Para evitar soluciones degeneradas (por ejemplo, Lagrangianos constantes), se añade un término de regularización a la función de pérdida. Este término impone la regularidad del Lagrangiano discreto al penalizar los hessianos que se acercan a la singularidad, asegurando que el sistema permanezca bien planteado.
Inferencia: La predicción se realiza resolviendo iterativamente las ecuaciones de Euler-Lagrange discretas forzadas para los incrementos de grupo, garantizando que la trayectoria generada permanezca estrictamente en la variedad de configuración sin pasos de proyección ad hoc.

Contribuciones Clave

Aprendizaje Consistente con la Variedad: El método opera directamente sobre observaciones con valores de grupo, garantizando que los estados aprendidos permanezcan en la variedad de configuración (por ejemplo, $SO(n)$, $SE(n)$), evitando así la deriva geométrica y la necesidad de re-ortogonalización.
Dinámica Libre de Velocidad: Al utilizar la formulación variacional discreta, el enfoque recupera la estructura física a partir de mediciones de posición únicamente, evitando el ruido y la complejidad asociados con la diferenciación numérica.
Modularidad y Flexibilidad: El marco es modular, capaz de aprender la dinámica completa (Lagrangiano y fuerzas) de forma conjunta o aislando componentes específicos (por ejemplo, identificando leyes de control desconocidas cuando las propiedades mecánicas son conocidas).
Generalización a Sistemas de Multicuerpos: El enfoque se extiende naturalmente a sistemas de multicuerpos complejos con interacciones acopladas, manejando variedades de producto de $SO(3) $y$ SE(3)$.

Resultados Experimentales
Los autores validan el enfoque a través de cinco entornos experimentales:

Representación de Coordenadas: En $SO(3)$, LieDFLNN supera significativamente a los baselines basados en ángulos de Euler, particularmente para rotaciones grandes donde los ángulos de Euler sufren de singularidades y discontinuidades. La representación de grupo de Lie mantiene trayectorias suaves y de bajo error en todas las magnitudes de rotación.
Discreto vs. Continuo: La formulación variacional discreta demuestra una eficiencia de datos y precisión superiores en comparación con los baselines de tiempo continuo (incluyendo aquellos que utilizan integradores de grupos de Lie). El modelo discreto logra una alta precisión incluso con ventanas de entrenamiento muy cortas (3 poses consecutivas), mientras que los modelos continuos requieren trayectorias más largas para mejorar y aún quedan rezagados en rendimiento.
Restricciones de la Variedad: Al aplicarse a $SE(3)$, el modelo propuesto mantiene la consistencia geométrica (ortogonalidad y determinante unitario) por construcción. En contraste, los baselines que tratan las entradas de la matriz como coordenadas euclidianas independientes (incluso aquellos con estructuras variacionales) acumulan deriva y violan las restricciones físicas durante despliegues prolongados.
Sistemas de Multicuerpos del Mundo Real: Aplicado a datos de captura de movimiento de una voltereta humana (una variedad de producto de $SE(3) $y$ SO(3)$), el modelo reproduce con éxito dinámicas acopladas complejas y de alta dimensión con grandes rotaciones. Los errores de predicción se mantienen por debajo de la variabilidad inherente entre grabaciones de la verdad de campo repetidas.
Identificación de Control: En un escenario donde el Lagrangiano es conocido, el marco identifica con éxito un torque de control PD desconocido a partir de una única trayectoria de datos de posición, recuperando con precisión la señal de control y estabilizando el sistema.

Significancia y Reivindicaciones
El artículo sostiene que embeber la estructura geométrica de los grupos de Lie directamente en el integrador variacional elimina las singularidades de coordenadas y la deriva geométrica comunes en los baselines euclidianos. Los autores afirman que la estructura variacional discreta es la clave para aprender eficazmente de observaciones discretas, ya que permite al modelo extraer la máxima información dinámica de un contexto temporal mínimo. El marco se presenta como una herramienta robusta para la identificación de sistemas en entornos donde los datos de velocidad no están disponibles o son poco fiables, ofreciendo una mejor consistencia física, generalización y precisión predictiva a largo plazo, particularmente para sistemas que involucran grandes rotaciones o interacciones de multicuerpos complejos. El trabajo se alinea con el esfuerzo más amplio del aprendizaje profundo geométrico para incorporar estructuras de grupo y variedad en algoritmos de aprendizaje, centrándose específicamente en sistemas mecánicos mediante formulaciones variacionales discretas.

El Problema: La trampa del "Bloqueo de Gimbal"

La Solución: Bailar sobre una Esfera

El Truco de Magia: Aprender sin Velocidad

Lo que Demostraron (y lo que no)

La Conclusión

Más como este