Rodrigues Network for Learning Robot Actions

1. Problématique

Le domaine de l'apprentissage par renforcement et de l'apprentissage par imitation pour les robots (et les personnages animés) repose sur la prédiction et la compréhension d'actions effectuées par des systèmes articulés. Ces systèmes (bras robotiques, mains, personnages humains) sont constitués de liens rigides connectés par des articulations rotatives.

Le défi majeur réside dans le fait que les architectures neuronales standards, telles que les MLP (Perceptrons Multicouches) et les Transformers, traitent les données d'action comme des jetons non structurés. Elles ignorent les inducteurs de biais kinématiques inhérents à la structure articulaire (les relations hiérarchiques et les contraintes géométriques entre les articulations). Bien que des méthodes antérieures aient utilisé des convolutions graphiques ou des mécanismes d'attention masquée pour capturer la connectivité, elles n'exploitent pas directement les modèles de calcul de la cinématique directe (Forward Kinematics), qui sont fondamentaux pour le contrôle robotique.

L'objectif est de concevoir un réseau neuronal qui intègre nativement la structure cinématique articulée comme un biais inductif, améliorant ainsi l'efficacité de l'apprentissage, la généralisation et la précision.

2. Méthodologie

Les auteurs proposent une nouvelle approche basée sur deux piliers principaux : l'Opérateur Rodrigues Neuronale et l'architecture Rodrigues Network (RodriNet).

A. Opérateur Rodrigues Neuronale (Neural Rodrigues Operator)

L'idée centrale est de généraliser la formule de rotation de Rodrigues, utilisée classiquement en robotique pour calculer la rotation d'un lien autour d'un axe, en un opérateur neuronal apprenable.

• Formulation classique : La formule de Rodrigues exprime la matrice de rotation $R(\hat{\omega}, \theta)$ comme une combinaison linéaire de $1$, $\sin(\theta)$ et $\cos(\theta)$, avec des coefficients fixes déterminés par l'axe de rotation $\hat{\omega}$.
• Transformation neuronale : Les auteurs décomposent cette formule et remplacent les coefficients fixes par des poids apprenables ($W_{bias}, W_{cos}, W_{sin}$).
  • Les angles des articulations $\theta$ (ou des caractéristiques abstraites) deviennent les entrées.
  • Les coefficients fixes sont remplacés par des matrices de poids optimisables.
• Opérateur Multi-canaux : L'opérateur est étendu pour gérer des caractéristiques de dimensions supérieures (canaux multiples) plutôt que de simples angles 1D, permettant de propager des informations complexes à travers l'arbre cinématique.
• Formule clé :
  $$F_{out} = F_{in} (W_{bias} + W_{cos} \cos(\Theta) + W_{sin} \sin(\Theta))$$
  où $F_{in}$ et $F_{out}$ sont les caractéristiques des liens parent et enfant.

B. Architecture Rodrigues Network (RodriNet)

Sur la base de cet opérateur, les auteurs construisent le RodriNet, une architecture complète composée de blocs répétés (Rodrigues Blocks). Chaque bloc contient trois couches :

1. Couche Rodrigues (Rodrigues Layer) : Propage l'information des articulations vers les liens (du parent à l'enfant) en utilisant l'Opérateur Rodrigues Neuronale. Elle capture la structure hiérarchique locale.
2. Couche Articulation (Joint Layer) : Propage l'information des liens vers les articulations, permettant aux caractéristiques des liens de mettre à jour l'état des articulations via des transformations linéaires spécifiques.
3. Couche d'Attention Self (Self-Attention Layer) : Permet un échange d'information global entre tous les liens et un jeton global (Global Token), dépassant les limitations de la proximité spatiale pour capturer des dépendances à longue portée.

Cette architecture combine la rigueur structurelle de la cinématique avec la flexibilité des réseaux profonds modernes.

3. Contributions Clés

1. Opérateur Rodrigues Neuronale : Une généralisation apprenable de la formule de rotation de Rodrigues, injectant un biais inductif cinématique directement dans le calcul neuronal.
2. Architecture RodriNet : Un nouveau réseau neuronal spécialisé pour les actions articulées, intégrant des couches de propagation hiérarchique (liens-articulations) et une attention globale.
3. Validation sur des tâches synthétiques et réelles : Démonstration que l'intégration de la structure cinématique améliore non seulement la modélisation mathématique pure (cinématique directe), mais aussi des tâches complexes comme l'apprentissage par imitation et la reconstruction 3D.
4. Généralisation au-delà de la robotique : Application réussie à la reconstruction de la main humaine (données MANO), montrant que l'approche est applicable aux personnages animés, pas seulement aux robots.

4. Résultats Expérimentaux

Les auteurs ont évalué leur méthode sur trois types de tâches :

• Ajustement de la cinématique directe (Tâche synthétique) :

  • Sur la main robotique LEAP (16 articulations), RodriNet a atteint une erreur quadratique moyenne (MSE) nettement inférieure aux MLP, GCN et Transformers.
  • La convergence était plus rapide et la précision supérieure, prouvant la capacité du réseau à modéliser la structure hiérarchique complexe.

• Prédiction de mouvement dans l'espace cartésien :

  • Sur un bras UR5, le réseau a dû prédire des angles d'articulation futurs à partir d'une trajectoire cartésienne observée.
  • RodriNet a obtenu les erreurs de test les plus faibles, surpassant les modèles de base même avec moins de données d'entraînement, indiquant une meilleure généralisation et un risque réduit de surapprentissage.

• Apprentissage par imitation (Robotique réelle simulée) :

  • Intégration de RodriNet dans la Diffusion Policy sur le benchmark ManiSkill (5 tâches de manipulation : PushCube, PickCube, etc.).
  • RodriNet a atteint des taux de réussite State-of-the-Art (SOTA), surpassant les politiques basées sur UNet et Transformer, en particulier sur des tâches complexes comme l'empilement de cubes (StackCube) et la saisie (PickCube).

• Reconstruction 3D de la main :

  • Application sur le dataset FreiHand pour la reconstruction de la main à partir d'une seule image.
  • En remplaçant le Transformer standard de l'état de l'art (HaMeR) par RodriNet, les auteurs ont obtenu une précision supérieure (PA-MPJPE et PA-MPVPE) tout en réduisant considérablement le nombre de paramètres (10,7 M contre 39,5 M).

5. Signification et Impact

Ce travail marque un tournant dans la conception d'architectures pour l'apprentissage robotique :

• Dépassement des architectures génériques : Il démontre que les architectures conçues pour la vision ou le langage (Transformers, CNN) ne sont pas optimales pour les systèmes articulés sans adaptation structurelle.
• Biais inductif structuré : En codant la physique de base (la rotation) directement dans les poids du réseau, RodriNet apprend plus efficacement, nécessite moins de données et généralise mieux que les approches "boîte noire".
• Vers une robotique plus robuste : L'amélioration des performances sur des tâches de manipulation complexes suggère que l'intégration de connaissances physiques dans l'architecture du réseau est une voie prometteuse pour le développement de politiques robotiques plus fiables et plus rapides à entraîner.

En résumé, le papier propose une fusion élégante entre la théorie robotique classique (formule de Rodrigues) et l'apprentissage profond moderne, créant un outil puissant pour comprendre et prédire les actions des systèmes articulés.