Learning Forced Multibody Dynamics on Lie Groups

Sintesi Tecnica: Apprendimento della Dinamica Multicorpo Forzata su Gruppi di Lie

Definizione del Problema
L'apprendimento di sistemi dinamici da dati osservativi spesso coinvolge stati che evolvono su spazi di configurazione non lineari, come il gruppo di rotazione $SO(3)$ o il gruppo speciale euclideo $SE(3)$. Gli approcci esistenti spesso modellano questi sistemi in embedding euclidei (ad esempio, angoli di Eulero o coordinate generalizzate), il che introduce singolarità di coordinate (come il blocco di gimbal), discontinuità e ambiguità di rappresentazione. Inoltre, i metodi di apprendimento standard richiedono spesso dati di velocità, che possono non essere disponibili, essere rumorosi o difficili da ottenere da misurazioni di posizione discrete. In aggiunta, i modelli che non rispettano intrinsecamente la struttura del manifold dello spazio di configurazione possono soffrire di deriva geometrica, dove le traiettorie predette violano i vincoli fisici (ad esempio, l'ortogonalità delle matrici di rotazione) nel tempo.

Metodologia
Il paper propone LieDFLNN (Lie Group Discrete Forced Euler-Lagrange Neural Network), un'architettura che apprende la dinamica di sistemi meccanici direttamente su gruppi di Lie utilizzando solo dati di posizione. La metodologia si basa sulla meccanica variazionale discreta:

1. Equazioni di Euler-Lagrange Discrete Forzate: Il nucleo dell'approccio utilizza le equazioni di Euler-Lagrange discrete forzate sui gruppi di Lie. Invece di approssimare le derivate nel tempo continuo, il metodo formula la dinamica utilizzando Lagrangiani discreti $L_d: G \times G \to \mathbb{R}$ e forze esterne discrete. Questa formulazione si basa esclusivamente su coppie di configurazioni consecutive $(g_k, g_{k+1})$ e sui loro incrementi di gruppo $W_k = g_k^{-1}g_{k+1}$, eliminando la necessità di misurazioni esplicite della velocità.
2. Trivializzazione: Le equazioni sono espresse tramite trivializzazione a sinistra, mappando il fibrato tangente $TG$ in $G \times \mathfrak{g}$ (dove $\mathfrak{g}$ è l'algebra di Lie). Ciò consente di calcolare la dinamica interamente in termini di elementi di gruppo ed elementi di algebra, preservando la struttura geometrica.
3. Parametrizzazione Neurale: Il Lagrangiano discreto e le forze esterne sono parametrizzati da reti neurali ($L_\theta$ e $F_\theta$). L'architettura supporta:
   • Corpi Rigidi: Formulazioni specifiche per $SO(3)$e$SE(3)$, inclusi matrici d'inerzia e potenziali energetici.
   • Sistemi Multicorpo: Estensione a manifold prodotto (ad esempio, $SE(3) \times SO(3)^{N}$) per modellare sistemi articolati come scheletri umani.
   • Input di Controllo: Il framework può incorporare leggi di controllo sconosciute (ad esempio, controllori di feedback) come parte del termine di forza esterna.
4. Regolarizzazione: Per prevenire soluzioni degenerate (ad esempio, Lagrangiani costanti), viene aggiunto un termine di regolarizzazione alla funzione di perdita. Questo termine impone la regolarità del Lagrangiano discreto penalizzando gli Hessiani che si avvicinano alla singolarità, garantendo che il sistema rimanga ben posto.
5. Inferenza: La predizione viene eseguita risolvendo iterativamente le equazioni di Euler-Lagrange discrete forzate per gli incrementi di gruppo, garantendo che la traiettoria generata rimanga rigorosamente sul manifold di configurazione senza passaggi di proiezione ad hoc.

Contributi Chiave

• Apprendimento Coerente con il Manifold: Il metodo opera direttamente su osservazioni con valore di gruppo, garantendo che gli stati appresi rimangano sul manifold di configurazione (ad esempio, $SO(n)$, $SE(n)$), evitando così la deriva geometrica e la necessità di ri-ortogonalizzazione.
• Dinamica Indipendente dalla Velocità: Utilizzando la formulazione variazionale discreta, l'approccio recupera la struttura fisica solo da misurazioni di posizione, evitando il rumore e la complessità associati alla derivazione numerica.
• Modularità e Flessibilità: Il framework è modulare, capace di apprendere congiuntamente la dinamica completa (Lagrangiano e forze) o di isolare componenti specifiche (ad esempio, identificando leggi di controllo sconosciute quando le proprietà meccaniche sono note).
• Generalizzazione a Sistemi Multicorpo: L'approccio si estende naturalmente a sistemi multicorpo complessi con interazioni accoppiate, gestendo manifold prodotto di $SO(3)$e$SE(3)$.

Risultati Sperimentali
Gli autori validano l'approccio attraverso cinque scenari sperimentali:

1. Rappresentazione delle Coordinate: Su $SO(3)$, LieDFLNN supera significativamente i baseline basati sugli angoli di Eulero, particolarmente per grandi rotazioni dove gli angoli di Eulero soffrono di singolarità e discontinuità. La rappresentazione del gruppo di Lie mantiene traiettorie fluide e a basso errore per tutte le magnitudini di rotazione.
2. Discreto vs. Continuo: La formulazione variazionale discreta dimostra una maggiore efficienza dei dati e accuratezza rispetto ai baseline nel tempo continuo (inclusi quelli che utilizzano integratori di gruppi di Lie). Il modello discreto raggiunge un'alta accuratezza anche con finestre di addestramento molto brevi (3 pose consecutive), mentre i modelli continui richiedono traiettorie più lunghe per migliorare e restano comunque inferiori in termini di prestazioni.
3. Vincoli del Manifold: Quando applicato a $SE(3)$, il modello proposto mantiene la coerenza geometrica (ortogonalità e determinante unitario) per costruzione. Al contrario, i baseline che trattano le voci della matrice come coordinate euclidee indipendenti (anche quelli con strutture variazionali) accumulano deriva e violano i vincoli fisici durante i rollout prolungati.
4. Sistemi Multicorpo nel Mondo Reale: Applicato ai dati di motion capture di una capriola umana (un manifold prodotto di $SE(3)$e$SO(3)$), il modello riproduce con successo dinamiche accoppiate complesse e ad alta dimensionalità con grandi rotazioni. Gli errori di predizione rimangono al di sotto della variabilità intrinseca tra le registrazioni ripetute della verità di base (ground-truth).
5. Identificazione del Controllo: In un contesto in cui il Lagrangiano è noto, il framework identifica con successo un torque di controllo PD sconosciuto da una singola traiettoria di soli dati di posizione, recuperando accuratamente il segnale di controllo e stabilizzando il sistema.

Significatività e Rivendicazioni
Il paper afferma che l'inserimento della struttura geometrica dei gruppi di Lie direttamente nel integratore variazionale elimina le singolarità di coordinata e la deriva geometrica comuni nei baseline euclidei. Gli autori sostengono che la struttura variazionale discreta sia la chiave per apprendere efficacemente da osservazioni discrete, poiché consente al modello di estrarre la massima informazione dinamica dal minimo contesto temporale. Il framework è presentato come uno strumento robusto per l'identificazione del sistema in contesti in cui i dati di velocità non sono disponibili o sono inaffidabili, offrendo una migliore coerenza fisica, generalizzazione e accuratezza predittiva a lungo termine, particolarmente per sistemi che comportano grandi rotazioni o complesse interazioni multicorpo. Il lavoro si allinea allo sforzo più ampio del geometric deep learning di incorporare strutture di gruppo e manifold negli algoritmi di apprendimento, concentrandosi specificamente sui sistemi meccanici tramite formulazioni variazionali discrete.