Learning Forced Multibody Dynamics on Lie Groups

기술 요약: 리 군(Lie Group) 상에서의 강제 다체 역학 학습

문제 정의
관측 데이터로부터 동역학 시스템을 학습하는 것은 종종 $SO(3)$또는$SE(3)$와 같은 비선형 구성 공간 위에서 진화하는 상태를 포함합니다. 기존의 접근 방식은 이러한 시스템을 유클리드 임베딩(예: 오일러 각 또는 일반화 좌표)을 사용하여 모델링하는 경우가 많은데, 이는 좌표 특이점(예: 짐벌 락), 불연속성 및 표현의 모호성을 초래합니다. 또한, 표준 학습 방법은 종관측 데이터가 필요할 때가 많으나, 이 데이터는 이산적인 위치 측정값으로부터 얻을 경우 가용하지 않거나, 노이즈가 심하거나, 얻기 어려울 수 있습니다. 더욱이, 구성 공간의 매니폴드 구조를 본질적으로 존중하지 않는 모델은 시간이 지남에 따라 예측된 궤적이 물리적 제약(예: 회전 행렬의 직교성)을 위반하는 기하학적 드리프트(geometric drift) 문제를 겪을 수 있습니다.

방법론
본 논문은 오직 위치 데이터만을 사용하여 리 군 상에서 기계 시스템의 역학을 직접 학습하는 아키텍처인 LieDFLNN(Lie Group Discrete Forced Euler-Lagrange Neural Network)을 제안합니다. 이 방법론은 이산 변분 역학(discrete variational mechanics)에 근거합니다:

1. 이산 강제 오일러-라그랑주 방정식: 이 접근 방식의 핵심은 리 군 상에서의 이산 강제 오일러-라그랑주 방정식을 활용하는 것입니다. 연속 시간 미분을 근사하는 대신, 이 방법은 이산 라그랑지안 $L_d: G \times G \to \mathbb{R}$와 이산 외력을 사용하여 역학을 정식화합니다. 이 정식화는 연속적인 구성 쌍 $(g_k, g_{k+1})$과 그 그룹 증분 $W_k = g_k^{-1}g_{k+1}$에만 의존하므로, 명시적인 속도 측정이 필요하지 않습니다.
2. 자명화(Trivialization): 방정식은 좌측 자명화(left-trivialization)를 사용하여 접번들(tangent bundle) $TG$를$G \times \mathfrak{g}$($\mathfrak{g}$는 리 대수)로 매핑하여 표현됩니다. 이를 통해 역학을 그룹 원소와 대수 원소만으로 완전히 계산할 수 있으며, 기하학적 구조를 보존합니다.
3. 신경망 파라미터화: 이산 라그랑지안과 외력은 신경망($L_\theta$ 및 $F_\theta$)에 의해 파라미터화됩니다. 이 아키텍처는 다음을 지원합니다:
   • 강체(Rigid Bodies): 관성 행렬 및 퍼텐셜 에너지를 포함한 $SO(3)$및$SE(3)$에 대한 특정 정식화.
   • 다체 시스템(Multibody Systems): 인간의 골격과 같은 연결된 시스템을 모델링하기 위해 곱 매니폴드(예: $SE(3) \times SO(3)^{N}$)로 확장 가능.
   • 제어 입력(Control Inputs): 외부 힘 항의 일부로서 알려지지 않은 제어 법칙(예: 피드백 컨트롤러)을 통합할 수 있음.
4. 정규화(Regularization): 퇴화된 해(예: 상수 라그랑지안)를 방출하기 위해 손실 함수에 정규화 항이 추가됩니다. 이 항은 헤시안(Hessian)이 특이점에 도달하는 것을 억제함으로써 이산 라그랑지안의 정칙성(regularity)을 강제하여, 시스템이 잘 정의된 상태를 유지하도록 보장합니다.
5. 추론(Inference): 예측은 그룹 증분에 대해 이산 강제 오일러-라그랑주 방정식을 반복적으로 풀음으로써 수행되며, 이를 통해 생성된 궤적이 임의의 투영 단계 없이 구성 매니폴드 위에 엄격하게 머물도록 보장합니다.

핵심 기여

• 매니폴드 일관적 학습: 이 방법은 그룹 값 관측치 상에서 직접 작동하여, 학습된 상태가 구성 매니폴드(예: $SO(n), SE(n)$) 위에 머무는 것을 보장하며, 이를 통해 기하학적 드리프트를 방지하고 재직교화(re-orthogonalization)의 필요성을 제거합니다.
• 속도 불필요 역학: 이산 변분 정식화를 활용함으로써, 이 접근 방식은 위치 측정값만으로 물리적 구조를 복구하며, 수치 미분과 관련된 노이즈 및 복잡성을 피합니다.
• 모듈성 및 유연성: 이 프레임워크는 모듈식으로 설계되어, 전체 역학(라그랑지안 및 힘)을 공동으로 학습하거나 특정 구성 요소(예: 기계적 특성을 알고 있을 때 알려지지 않은 제어 법칙 식별)를 분리하여 학습할 수 있습니다.
• 다체 시스템으로의 일반화: 이 접근 방식은 결합된 상호작용을 가진 복잡한 다체 시스템으로 자연스럽게 확장되며, $SO(3)$와$SE(3)$의 곱 매니폴드를 처리합니다.

실험 결과
저자들은 다섯 가지 실험 설정을 통해 접근 방식의 타당성을 검증합니다:

1. 좌표 표현: $SO(3)$ 상에서 LieDFLNN는 오일러 각 기반 베이스라인보다 성능이 현저히 우수하며, 특히 오일러 각이 특이점과 불연속성을 겪는 큰 회전 구간에서 더욱 두드_러집니다. 리 군 표현은 모든 회전 크기에 대해 매끄럽고 낮은 오차의 궤적을 유지합니다.
2. 이산 vs 연속: 이산 변분 정식화는 연속 시간 베이스라인(리 군 적분기를 사용하는 모델 포함)에 비해 우수한 데이터 효율성과 정확도를 보여줍니다. 이산 모델은 매우 짧은 훈련 윈도우(3개의 연속된 포즈)에서도 높은 정확도를 달야내는 반면, 연속 모델은 성능 향상을 위해 더 긴 궤적이 필요하며 성능 면에서도 뒤처집니다.
3. 매니폴드 제약: $SE(3)$에 적용되었을 때, 제안된 모델은 구성에 의해 기하학적 일관성(직교성 및 단위 행렬식)을 유지합니다. 반면, 행렬 성분을 독립적인 유클리드 좌표로 취급하는 베이스라인(변분 구조를 사용하는 모델이라 할지라도)은 롤아웃(rollout)이 길어짐에 따라 드리프트가 누적되고 물리적 제약을 위반합니다.
4. 실제 다체 시스템: 인간의 카트휠 동작 모션 캡처 데이터( $SE(3)$와$SO(3)$ 의 곱 매니폴드)에 적용했을 때, 모델은 큰 회전을 포함한 복잡하고 고차원적인 결합 역학을 성공적으로 재현합니다. 예측 오차는 반복된 실제 기록 간의 내재적 변동성 미만으로 유지됩니다.
5. 제어 식별: 라그랑지안이 알려진 설정에서, 프레임워크는 단일 위치 데이터 궤적만으로 알려지지 않은 PD 제어 토크를 성공적으로 식별하여, 제어 신호를 정확히 복구하고 시스템을 안정화합니다.

의의 및 주장
본 논문은 리 군의 기하학적 구조를 이산 변분 적분기에 직접 임베딩함으로써, 유클리드 베이스라인에서 흔히 발생하는 좌표 특이점과 기하학적 드리프트를 제거할 수 있다고 주장합니다. 저자들은 이산 변분 구조가 효과적인 학습의 핵심이라고 주장하는데, 이는 모델이 최소한의 시간적 맥락으로부터 최대한의 역학 정보를 추출할 수 있게 해주기 때문입니다. 이 프레임워크는 속도 데이터가 없거나 신뢰할 수 없는 환경에서 시스템 식별을 위한 강력한 도구로 제시되며, 특히 큰 회전이나 복잡한 다체 상호작용이 포함된 시스템에서 개선된 물리적 일관성, 일반화 능력 및 장기 예측 정확도를 제공합니다. 이 연구는 기계 시스템을 중심으로 이산 변분 정식화를 통해 그룹 및 매니폴드 구조를 학습 알고리즘에 통합하려는 기하학적 딥러닝의 광범위한 노력과 궤를 같이합니다.