Floating-Base Deep Lagrangian Networks

Dit artikel introduceert Floating-Base Deep Lagrangian Networks (FeLaN), een grey-box methode die diep leren combineert met fysische beperkingen voor drijvende basesystemen om zowel de prestaties als de fysische interpretatie te verbeteren.

De kern

De "Fysieke" AI voor Robot-dieren en Mensen

Stel je voor dat je een robot wilt leren lopen, zoals een hond (een viervoeter) of een mens (een humanoid). Om dit goed te laten doen, moet de robot precies weten hoe zijn eigen lichaam beweegt. Hoe zwaar is hij? Waar zit zijn zwaartepunt? Hoeveel kracht kost het om zijn been te bewegen?

In de robotwereld noemen we dit dynamische modellering.

Het Probleem: De "Blind" Leraar

Vroeger gebruikten wetenschappers twee manieren om robots dit te leren:

1. De Witte Doos (Fysica): Ze bouwden een model op basis van strikte natuurwetten. Dit werkt goed, maar is heel lastig om precies te maken voor complexe robots met veel benen.
2. De Zwarte Doos (AI/Deep Learning): Ze lieten een computer (een neurale net) alles zelf leren door duizenden voorbeelden te bekijken. Dit is flexibel, maar de computer leert vaak "onzin" of "magie". Hij leert misschien dat als de robot zijn linkerpoot optilt, de rechterpoot automatisch omhoog gaat, puur omdat hij dat in de data zag, niet omdat dat fysiek logisch is. Als je de robot dan in een nieuwe situatie zet, faalt hij vaak.

De Oplossing: De "Grijze Doos" (FeLaN)

De auteurs van dit paper hebben een slimme tussenweg bedacht: een Grijze Doos. Ze hebben een AI gemaakt die leert, maar die verplicht is om de regels van de natuurkunde te volgen. Ze noemen hun systeem FeLaN (Floating-Base Deep Lagrangian Networks).

Om dit uit te leggen, gebruiken we een paar analogieën:

1. De "Zwevende Basis" (Floating-Base)
Stel je een robot voor die op vier poten loopt. Zijn "hoofd" (het lichaam) zweeft vrij in de lucht en beweegt mee met elke stap. Dit is anders dan een robotarm die vastzit aan een muur.

• De Analogie: Denk aan een dansend paar. Als ze hand in hand dansen, is hun beweging gekoppeld. Maar als ze los van elkaar dansen op een ijsbaan (de zwevende basis), moet je rekening houden met hoe hun gewicht en beweging elkaar beïnvloeden zonder dat ze vastzitten. De AI moet begrijpen dat als de robot naar links leunt, de zwaartekracht en de inertie (de "wil om te blijven bewegen") op een heel specifieke manier veranderen.

2. De "Inertiematrix": De Zwaartekrachts-kaart
Elk robotlichaam heeft een soort "zwaartekrachts-kaart" (de inertiematrix). Deze kaart vertelt de computer hoe moeilijk het is om het lichaam in verschillende richtingen te draaien of te bewegen.

• Het probleem: Normale AI's tekenen deze kaart vaak als een rommelige krabbel. Ze vergeten belangrijke regels, zoals: "Je kunt niet zwaarder zijn dan de som van je delen" of "Als je linksom draait, moet je rechtsom ook een bepaalde weerstand hebben."
• De oplossing van FeLaN: De auteurs hebben een nieuwe manier bedacht om deze kaart te tekenen. Ze gebruiken een soort architecturaal blauwdruk (een wiskundige methode genaamd "herordende Cholesky-factorisatie").
  • Vergelijking: Stel je voor dat je een legpuzzel maakt. Een normale AI probeert stukjes willekeurig in te passen. FeLaN heeft echter een speciale rand die zorgt dat de puzzelstukjes altijd in de juiste vorm passen en dat de randen (de fysieke regels) nooit worden doorbroken.

3. De "Takken" van de Robot (Branch-Induced Sparsity)
Een hond heeft een romp en vier poten. Als de linkerpoot beweegt, heeft dat invloed op de romp, maar niet direct op de rechterpoot (tenzij de romp meebeweegt).

• De Analogie: Denk aan een familieboom. Als je oom iets doet, heeft dat invloed op zijn eigen kinderen, maar niet direct op de kinderen van je tante.
• De slimme truc: De AI van FeLaN weet dit. Ze maakt geen "willekeurige" berekeningen voor het hele lichaam, maar kijkt specifiek naar de "takken" (de poten). Dit maakt de berekening veel sneller en nauwkeuriger, omdat de AI niet hoeft te raden wat er gebeurt als een poot beweegt die niets met de andere te maken heeft.

Wat hebben ze gedaan?

De wetenschappers hebben deze nieuwe AI getest op echte robots (zoals de Unitree Go2 hond en Boston Dynamics Spot) en op simulaties.

• Ze hebben een enorme dataset verzameld van hoe deze robots bewegen.
• Ze lieten hun AI (FeLaN) de bewegingen leren, terwijl ze de AI dwongen om de natuurwetten te respecteren.

Het Resultaat

De resultaten waren indrukwekkend:

• Beter leren: De AI leerde sneller en maakte minder fouten dan de "blinde" AI's.
• Betrouwbaarder: Als je de robot in een nieuwe situatie zette (bijvoorbeeld op een helling of met een ander gewicht), faalde de AI niet. Omdat hij de fysica begrijpt, kon hij zich aanpassen.
• Duidelijker: Je kunt precies zien waarom de robot een bepaalde beweging maakt, omdat de AI de fysieke krachten (zoals zwaartekracht en traagheid) expliciet berekent.

Samenvattend

Dit paper introduceert een slimme nieuwe manier om robots te leren bewegen. In plaats van ze blind te laten gokken of ze te dwingen met ingewikkelde formules, geven we ze een fysiek bewustzijn.

Het is alsof we een robot niet alleen een "geheugen" geven, maar ook een "intuïtie" voor zwaartekracht en gewicht. Hierdoor worden ze niet alleen slimmer, maar ook veiliger en betrouwbaarder in de echte wereld.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Floating-Base Deep Lagrangian Networks" (FeLaN) in het Nederlands.

Probleemstelling

Accurate dynamische modellen zijn essentieel voor simulatie, besturing en schatting van toestandsvariabelen in de robotica. Bestaande methoden voor systeemidentificatie vallen vaak in twee categorieën:

1. Witte-bak methoden: Gebaseerd op fysieke principes, maar vereisen uitgebreide voorkennis en kunnen moeilijk generaliseren als aannames niet opgaan.
2. Zwarte-bak methoden (Deep Learning): Flexibel en data-gedreven, maar missen fysieke interpretatie en generaliseren slecht buiten het trainingsdomein.

Grey-box methoden (zoals Deep Lagrangian Networks of DeLaN) proberen het beste van beide werelden te combineren door fysieke structuren in te bouwen. Echter, wanneer deze methoden naief worden toegepast op floating-base systemen (zoals humanoïden en viervoeters), worden specifieke fysieke beperkingen genegeerd:

• Sparsiteit: De traagheidsmatrix is niet alleen positief-definit, maar vertoont ook "branch-induced sparsity" (vertakkingsgeïnduceerde sparsiteit) en input-onafhankelijkheid, afhankelijk van de kinematische ketens.
• Samengestelde ruimtelijke traagheid: De $6 \times 6$ matrix die de floating base beschrijft, moet voldoen aan de eigenschappen van een enkel star lichaam, inclusief de driehoeksongelijkheid voor de eigenwaarden van de rotatietraagheid.
• Bestaande methoden zoals DeLaN gebruiken een Cholesky-decompositie die deze extra constraints (sparsiteit en driehoeksongelijkheid) niet behoudt, wat leidt tot fysisch inconsistente modellen.

Methodologie

De auteurs introduceren FeLaN (Floating-Base Deep Lagrangian Networks), een nieuwe grey-box architectuur die de dynamica van floating-base systemen identificeert door Lagrangiaanse mechanica te combineren met een nieuw parametrisatiemodel.

1. Fysisch consistente parametrisatie van de traagheidsmatrix:
In plaats van de traagheidsmatrix $H$ direct te schatten, parametriseren de auteurs deze via een herordeerde Cholesky-factorisatie ($H = L^T L$). Deze aanpak lost de beperkingen van de standaard Cholesky-decompositie op:

• Positieve defintheid: Gewaarborgd door positieve diagonaalelementen in $L$.
• Sparsiteit en input-onafhankelijkheid: De structuur van $L$ wordt zodanig ontworpen dat blokken alleen afhankelijk zijn van de joint-variabelen van hun specifieke kinematische tak (branch-induced sparsity).
• Driehoeksongelijkheid: De auteurs bewijzen dat de samengestelde rotatietraagheid ($I_B$) moet voldoen aan de driehoeksongelijkheid. Ze parametriseren dit door een covariantiematrix $\Sigma_R$ te introduceren en $I_B$ te relateren via $I_B = \text{Tr}(\Sigma_R)I_3 - \Sigma_R$.
• Eerste massamoment en massa: De lineaire en hoekkoppeling worden geconstrueerd zodat de totale massa constant en positief blijft.

2. Deep Learning Architectuur:

• Netwerken worden getraind om de elementen van de matrix $L$ te voorspellen.
• Er worden aparte netwerken gebruikt voor elke kinematische tak (om input-onafhankelijkheid te garanderen) en één netwerk voor de basis-gerelateerde termen.
• De potentiële energie wordt niet door een apart netwerk geleerd, maar direct berekend uit de geschatte massa en het eerste massamoment, wat de fysieke consistentie versterkt.
• Het verlies is gebaseerd op de inverse dynamica fout (verschil tussen voorspelde en gemeten koppel), waarbij fysieke consistentie als een "hard constraint" wordt opgelegd door de structuur van de parametrisatie.

Belangrijkste Bijdragen

1. Uitbreiding van fysieke consistentie: De auteurs breiden de voorwaarden voor volledige fysieke consistentie (die eerder alleen voor starre lichamen gold) uit naar de samengestelde ruimtelijke traagheid van floating-base systemen, inclusief de driehoeksongelijkheid.
2. Nieuwe parametrisatie: Een innovatieve parametrisatie van de traagheidsmatrix die branch-induced sparsiteit behoudt en volledige fysieke consistentie garandeert.
3. FeLaN Architectuur: Een deep learning architectuur die Lagrangiaanse mechanica combineert met deze parametrisatie voor systeemidentificatie.
4. Uitgebreide validatie: De publicatie van een dataset en uitgebreide experimenten op meerdere robots (Unitree Go2, Boston Dynamics Spot, Pal Robotics Talos, HyQReal2) in zowel simulatie als de echte wereld.

Resultaten

De methode is geëvalueerd tegenover diverse baselines, waaronder standaard MLP's, DeLaN, en verschillende white-box methoden (DNEA) met verschillende niveaus van fysieke consistentie.

• Simulatie (Go2 en Talos): FeLaN behaalde de beste prestaties op zowel trainings- als testdata. Het presteerde significant beter dan pure black-box methoden (MLP) en standaard DeLaN. De resultaten tonen aan dat het respecteren van de driehoeksongelijkheid en sparsiteit cruciaal is voor generalisatie.
• Real-world Robots: Op echte robots (waar ruis en niet-gemodelleerde effecten zoals actuatordynamiek een rol spelen) presteerde FeLaN consistent het beste over alle robots heen (gemeten via relatieve NMSE).
  • White-box methoden (DNEA) faalden vaak bij zwaardere robots (zoals Talos en HyQReal2) omdat hun modellen te star waren om contact- en actuatordynamiek te vangen.
  • Black-box methoden (MLP, DeLaN) waren soms accuraat op specifieke robots, maar toonden grote variabiliteit en waren gevoelig voor initialisatie.
  • FeLaN combineerde de flexibiliteit van deep learning met fysieke consistentie, wat leidde tot robuustere prestaties over verschillende robotplatforms heen.
• Interpreteerbaarheid: Figuur 2 in het paper toont aan dat FeLaN individuele dynamische componenten (zoals zwaartekracht en Coriolis-krachten) nauwkeuriger voorspelt dan andere methoden, dankzij de correcte parametrisatie van massa en traagheid.

Betekenis en Impact

Dit werk is significant omdat het een oplossing biedt voor het identificeren van dynamische modellen van complexe, meervoudig-gearticuleerde robots (zoals looprobots) zonder dat er uitgebreide voorkennis van dynamische parameters nodig is.

• Generalisatie: Door fysieke wetten (zoals de driehoeksongelijkheid) in de netwerkarchitectuur te integreren, verbetert de generalisatie naar onbekende situaties (out-of-distribution).
• Efficiëntie: De parametrisatie vereist minder parameters dan het schatten van alle kinodynamische parameters per lichaam, wat het trainen efficiënter maakt.
• Toekomstige Toepassingen: De auteurs suggereren dat FeLaN gebruikt kan worden voor locomotie en loco-manipulatie taken, zowel als een geleerd dynamisch model als in combinatie met adaptieve besturingstechnieken.

Kortom, FeLaN stelt een nieuwe standaard voor grey-box systeemidentificatie bij floating-base robots door de kloof tussen data-gedreven leermogelijkheden en strikte fysieke wetten te overbruggen.