Floating-Base Deep Lagrangian Networks

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 로봇의 시뮬레이션, 제어, 상태 추정을 위해서는 정확한 동역학 모델이 필수적입니다. 기존 시스템 식별 (SysID) 방법은 물리 법칙 기반의 '화이트박스' 모델과 데이터 기반의 '블랙박스' 모델로 나뉩니다. 최근에는 두 장점을 결합한 '그레이박스' 방법 (예: Deep Lagrangian Networks, DeLaN) 이 주목받고 있습니다.
• 문제점:
  • 기존 그레이박스 방법들은 주로 고정 베이스 (fixed-base) 로봇이나 단일 강체 (single rigid-body) 에 적용되었습니다.
  • 인간형 로봇 (humanoids) 이나 4 다리 로봇 (quadrupeds) 과 같은 **플로팅 베이스 (floating-base)**시스템은 베이스의 자세 (SE(3)) 와 관절 각도가 모두 자유도이므로 동역학이 훨씬 복잡합니다.
  • 이러한 시스템에 기존 방법을 단순 적용할 경우, 물리적 제약 조건을 무시하게 되어 일반화 성능이 떨어지고 해석 가능성이 낮아집니다.
  • 주요 물리적 제약의 누락:
    1. 관성 행렬의 양의 정부호성 (Positive Definiteness): 필수 조건이지만 충분 조건은 아님.
    2. 분기 유도 희소성 (Branch-induced Sparsity): 로봇의 각 사지 (다리, 팔) 는 베이스를 통해 간접적으로 연결되므로, 특정 관절 입력에 의존하지 않는 희소 구조가 존재함. 기존 Cholesky 분해는 이를 보존하지 못함.
    3. 합성 공간 관성 (Composite Spatial Inertia) 의 삼각 부등식: 단일 강체의 관성 모멘트 고유값은 삼각 부등식을 만족해야 함. 플로팅 베이스 시스템의 전체 합성 관성 행렬도 이 성질을 가져야 하지만, 기존 모델들은 이를 고려하지 않음.

2. 제안 방법론 (Methodology)

저자들은 플로팅 베이스 시스템의 동역학을 학습하기 위해 **FeLaN (Floating-Base Deep Lagrangian Networks)**을 제안했습니다. 이는 물리 법칙을 깊이 학습 네트워크에 통합한 새로운 그레이박스 접근법입니다.

A. 물리적으로 일관된 관성 행렬 파라미터화 (Physically Consistent Parametrization)

가장 핵심적인 기여는 관성 행렬 $H$를 학습하는 새로운 파라미터화 기법입니다. 이는 **재배열된 Cholesky 분해 (Reordered Cholesky Factorization)**를 기반으로 합니다.

• 구조: $H(q) = L(q)^T L(q)$ 형태로 표현하며, $L(q)$는 하삼각 행렬입니다.
• 희소성 보존: 로봇의 킨매틱 체인 (Kinematic Chains) 연결 그래프를 고려하여 $L$ 행렬의 요소를 재배열합니다. 이를 통해 각 사지 (branch) 의 관절 입력 $q_k$에만 의존하는 블록 구조를 자연스럽게 유도하여 분기 유도 희소성을 보장합니다.
• 물리적 제약 충족:
  • 양의 정부호성: $L$의 대각선 요소를 양수로 제한하여 $H$가 양의 정부호임을 보장합니다.
  • 삼각 부등식 (Triangle Inequality): 합성 회전 관성 $I_B$가 삼각 부등식을 만족하도록, $I_B$를 공분산 행렬 $\Sigma_R$을 통해 파라미터화합니다 ($I_B = \text{Tr}(\Sigma_R)I - \Sigma_R$). 이를 통해 물리적으로 불가능한 관성 값을 학습하지 않도록 강제합니다.
  • 질량 및 모멘트: 전체 질량 $m$과 첫 번째 질량 모멘트 $h$도 $L$의 특정 블록을 통해 일관되게 계산됩니다.

B. 딥러닝 아키텍처

• 네트워크 구조:
  • 각 사지 (kinematic branch) 에 대해 별도의 신경망 ($NN_k$) 을 사용하여 해당 사지의 관절 $q_k$만 입력받아 $L$의 해당 블록을 예측합니다 (입력 독립성 보장).
  • 베이스와 관련된 전역 변수 ($L_R, L_\Sigma$ 등) 는 전체 관절 $q$를 입력받는 단일 네트워크로 학습합니다.
  • 잠재 에너지 (Potential Energy) 는 별도의 네트워크가 아니라, 학습된 질량 및 모멘트 파라미터를 통해 직접 계산하여 파라미터 수를 줄이고 물리 일관성을 높입니다.
• 손실 함수:
  • 라그랑주 역학 방정식 (Euler-Lagrange equation) 을 기반으로 역동역학 (Inverse Dynamics) 오차를 최소화합니다.
  • 학습 중 물리 제약이 깨지지 않도록 보조 손실 항 (positive definiteness, triangle inequality 관련) 을 추가하여 훈련 안정성을 높입니다.

3. 주요 기여 (Key Contributions)

1. 단일 강체에서 합성 공간 관성으로의 확장: 단일 강체의 물리적 일관성 조건 (특히 삼각 부등식) 을 플로팅 베이스 시스템의 전체 합성 공간 관성 행렬로 확장하여 증명했습니다.
2. 새로운 파라미터화 기법: 분기 유도 희소성 (branch-induced sparsity) 을 보존하면서, 합성 공간 관성의 완전한 물리적 일관성 (양의 정부호성, 삼각 부등식, 질량 안정성) 을 보장하는 관성 행렬 파라미터화를 제시했습니다.
3. FeLaN 아키텍처 제안: DeLaN 을 기반으로 하되, 위 파라미터화를 적용하여 플로팅 베이스 로봇의 물리 일관성 시스템 식별을 수행하는 새로운 딥러닝 아키텍처를 개발했습니다.
4. 광범위한 실험 및 데이터셋 공개: 시뮬레이션 (MJX) 과 실제 로봇 (Unitree Go2, Boston Dynamics Spot, Talos, HyQReal2) 에 대한 대규모 데이터셋을 수집 및 공개하고, 다양한 베이스라인과 비교 평가를 수행했습니다.

4. 실험 결과 (Results)

• 데이터셋: Unitree Go2, Boston Dynamics Spot (및 아암 부착), Pal Robotics Talos, HyQReal2 등 다양한 크기와 DOF 를 가진 4 가지 로봇에서 시뮬레이션 및 실제 데이터를 수집했습니다.
• 성능 비교:
  • 시뮬레이션: FeLaN 은 DeLaN, MLP, 그리고 물리 제약이 다른 DNEA (Differentiable Newton-Euler Algorithm) 변형들보다 역동역학 (Inverse Dynamics) 오차 (NMSE) 에서 우수한 성능을 보였습니다. 특히 Talos 와 같은 복잡한 로봇에서 가장 낮은 오차를 기록했습니다.
  • 실제 로봇: 실제 로봇 데이터에서도 FeLaN 은 가장 일관된 성능을 보였습니다.
    • 기존 블랙박스 모델 (MLP, DeLaN) 은 특정 로봇에 최적화될 수 있지만 일반화 성능이 떨어지고 초기값에 민감했습니다.
    • 전통적인 물리 기반 모델 (DNEA) 은 모델 복잡도 부족으로 인해 실제 로봇의 마찰, 접촉 동역학 등을 정확히 예측하지 못해 오차가 컸습니다.
    • FeLaN은 물리 법칙을 내재화하여 다른 로봇 간 일반화 성능 (rNMSE 기준) 이 가장 뛰어났으며, 개별 로봇에서도 최상위권 성능을 달성했습니다.
• 해석 가능성: FeLaN 은 중력, 코리올리 힘, 관성 힘 등 동역학 구성 요소를 물리적으로 일관된 방식으로 잘 분리하여 예측하는 것을 확인했습니다.

5. 의의 및 결론 (Significance)

• 물리 일관성과 데이터 효율성의 조화: 플로팅 베이스 로봇의 복잡한 동역학을 학습할 때, 물리 법칙 (희소성, 삼각 부등식 등) 을 네트워크 구조에 직접 통합함으로써 데이터 효율성을 높이고 외삽 (out-of-distribution) 성능을 개선했습니다.
• 실제 적용 가능성: 실제 로봇 (Quadrupeds, Humanoids) 에서 검증된 결과, FeLaN 은 모델 기반 제어 (Model-based Control) 나 적응 제어 (Adaptive Control) 에 직접 활용 가능한 고품질 동역학 모델을 제공할 수 있음을 입증했습니다.
• 미래 전망: 이 연구는 로봇의 보행 (locomotion) 및 조작 (loco-manipulation) 작업에 학습된 동역학 모델을 활용하거나, 적응 제어 기법과 결합하는 데 중요한 기초를 마련했습니다.

요약하자면, 이 논문은 플로팅 베이스 로봇의 동역학 학습이라는 난제를 해결하기 위해 물리 법칙을 엄격하게 준수하는 새로운 신경망 파라미터화를 제안하고, 이를 통해 실제 로봇 환경에서 기존 방법들보다 우수한 일반화 성능과 해석 가능성을 입증한 획기적인 연구입니다.