Learning Forced Multibody Dynamics on Lie Groups

技術要約：リー群上における強制マルチボディ力学の学習

問題提起
観測データから力学系を学習する場合、状態は $SO(3)$や$SE(3)$ といった非線形な構成空間上で進化することが多い。既存のアプローチは、これらのシステムをユークリッド埋め込み（例：オイラー角や一般化座標）を用いてモデル化することが多く、これは座標の特異点（ジンバルロックなど）、不連続性、および表現の曖昧さを導入する。さらに、標準的な学習手法は速度データを必要とすることが多いが、速度データは利用できなかったり、ノイズを含んでいたり、離散的な位置測定から取得するのが困難であったりする場合がある。加えて、構成空間の多様体構造を本質的に尊重しないモデルは、予測された軌道が物理的制約（回転行列の直交性など）に時間の経過とともに違反する「幾何学的ドリフト」に陥る可能性がある。

手法
本論文では、位置データのみを用いてリー群上で力学系を直接学習するアーキテクチャである LieDFLNN (Lie Group Discrete Forced Euler-Lagrange Neural Network) を提案する。この手法は、離散変分力学に基づいている。

1. 離散強制オイラー・ラグランジュ方程式: 本手法の中核は、リー群上の離散強制オイラー・ラグランジュ方程式を利用することである。連続時間の微分を近似する代わりに、本手法は離散ラグランジアン $L_d: G \times G \to \mathbb{R}$ と離散外力を用いて力学を定式化する。この定式化は、連続する構成のペア $(g_k, g_{k+1})$ とその群増分 $W_k = g_k^{-1}g_{k+1}$ のみに依存するため、明示的な速度測定を必要としない。
2. 自明化 (Trivialization): 方程式は左自明化を用いて記述され、接束 $TG$を$G \times \mathfrak{g}$（ここで$\mathfrak{g}$ はリー代数）へと写像する。これにより、力学を群の要素と代数の要素のみで計算することが可能となり、幾何学的構造が保持される。
3. ニューラルパラメータ化: 離散ラグランジアンと外力は、ニューラルネットワーク ($L_\theta$ および $F_\theta$) によってパラメータ化される。このアーキテクチャは以下をサポートする：
   • 剛体: 慣性行列やポテンシャルエネルギーを含む、$SO(3)$および$SE(3)$ に特化した定式化。
   • マルチボディシステム: 人間の骨格のような連結システムをモデル化するための、積多様体（例：$SE(3) \times SO(3)^{N}$）への拡張。
   • 制御入力: 未知の制御則（例：フィードバックコントローラ）を外力項の一部として組み込むことが可能。
4. 正則化: 退化解（例：定数ラグランジアン）を防ぐため、損失関数に正則化項が追加される。この項は、ヘッセ行列が特異点に近づくことを罰することで離散ラグランジアンの正則性を強制し、システムが良好な状態に保たれるようにする。
5. 推論: 予測は、群の増分に対して離散強制オイラー・ラグランジュ方程式を反復的に解くことで実行され、生成される軌道が、アドホックな射影ステップを経ることなく、構成多様体上に厳密に留まることが保証される。

主な貢献

• 多様体整合的な学習: 本手法は群値の観測値上で直接動作するため、学習された状態が構成多様体（例：$SO(n), SE(n)$）上に留まることを保証し、これにより幾何学的ドリフトや再直交化の必要性を回避する。
• 速度フリーの力学: 離散変分定式化を利用することで、本アプローチは位置測定のみから物理的構造を復元し、数値微分に伴うノイズや複雑さを回避する。
• モジュール性と柔軟性: 本フレームワークはモジュール式であり、ラグランジアンと力を結合して学習するか、あるいは特定のコンポーネント（例：機械的特性が既知の場合の未知の制御則の特定）を分離して学習することが可能である。
• マルチボディシステムへの汎用性: 本アプローチは、結合相互作用を持つ複雑なマルチボディシステムへ自然に拡張でき、$SO(3)$と$SE(3)$ の積多様体を扱うことができる。

実験結果
著者らは、以下の5つの実験設定を通じて本アプローチの妥当性を検証している：

1. 座標表現: $SO(3)$ において、LieDFLNN はオイラー角ベースのベースラインを大幅に上回る性能を示した。特に、オイラー角が特異点や不連続性に苦しむ大きな回転において顕著である。リー群表現は、あらゆる回転量に対して滑らかで低誤差の軌道を維持する。
2. 離散 vs 連続: 離散変分定式化は、連続時間ベースライン（リー群インテグレータを使用するものを含む）と比較して、優れたデータ効率と精度を示す。離散モデルは、非常に短い訓練ウィンドウ（連続する3つのポーズ）であっても高い精度を達成するが、連続モデルは精度向上のために長い軌道を必要とし、依然として性能で劣る。
3. 多様体制約: $SE(3)$ に適用した場合、提案モデルは構成によって幾何学的整合性（直交性と単位行列の行列式）を維持する。対照的に、行列成分を独立したユークリッド座標として扱うベースライン（変分構造を持つものを含む）は、長時間のロールアウトにおいてドリフトを蓄積し、物理的制約に違反する。
4. 実世界のマルチボディシステム: 人間の側転のモーションキャプチャデータ（$SE(3)$と$SO(3)$ の積多様体）に適用した際、本モデルは、大きな回転を伴う複雑で高次元な結合力学を正常に再現した。予測誤差は、繰り返されるグラウンドトゥルースの記録間の固有の変動範囲内に収まっている。
5. 制御の特定: ラグランジアンが既知である設定において、本フレームワークは位置データのみの単一の軌道から、未知のPD制御トルクを特定することに成功し、制御信号を正確に復元してシステムを安定させた。

意義と主張
本論文は、リー群の幾何学的構造を離散変分インテグレータに直接組み込むことで、ユークリッドベースラインに共通する座標の特異点や幾何学的ドリフトを排除できると主張している。著者らは、離散変分構造こそが、最小限の時系列的コンテキストから最大限の力学的情報を抽出することを可能にするため、離散的な観測から効果的に学習するための鍵であると断言している。本フレームワークは、速度データが利用できない、あるいは信頼できない状況におけるシステム同定のための堅牢なツールとして提示されており、特に大きな回転や複雑なマルチボディ相互作用を伴うシステムにおいて、優れた物理的一貫性、汎用性、および長期的な予測精度を提供する。本研究は、離散変分定式化を介して力学系に焦に焦点を当て、群や多様体の構造を学習アルゴリズムに組み込むという、幾何学的ディープラーニングの広範な取り組みに合致するものである。