Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning

Titel

Doel-geconditioneerde Neurale ODE's met Gegarandeerde Veiligheid en Stabiliteit voor Leer-gebaseerde All-Pairs Bewegingsplanning.

1. Probleemstelling

Bewegingsplanning in robotica in omgevingen met complexe geometrische beperkingen (obstakels, werkruimtegrenzen) blijft een fundamentele uitdaging. Bestaande methoden hebben beperkingen:

• Classische methoden (PRM, RRT): Deze zijn vaak "single-query" (vast startpunt) of "multi-query" met een eindig aantal geprofileerde punten. Ze definiëren geen gladde feedbackbeleid voor elk mogelijk start- en doelpunt (all-pairs) en zijn moeilijk te integreren met leer-methoden zoals Learning from Demonstration (LfD).
• Dynamische systemen: Benaderingen die beweging modelleren als continue dynamische systemen (bijv. potentiaalvelden) zijn robuust en real-time toepasbaar, maar kampen vaak met lokale minima, instabiliteit in smalle doorgangen en gebrek aan garanties voor veiligheid en stabiliteit bij willekeurige doelen.
• Bestaande leer-methoden: Veel huidige methoden voor het leren van stabiele dynamische systemen gaan uit van een vast doelpunt tijdens het trainingsproces. Aanpassen van het doelpunt vereist vaak hertraining of nieuwe certificering van veiligheid.

Het doel van dit artikel is een leer-gebaseerde aanpak te ontwikkelen voor all-pairs bewegingsplanning, waarbij zowel het startpunt ($x_0$) als het doelpunt ($x^*$) willekeurige punten mogen zijn binnen een veiligheidsset ($X_{safe}$), met gegarandeerde veiligheid en stabiliteit.

2. Methodologie

De auteurs stellen een systeem voor dat gebaseerd is op het leren van een bi-Lipschitz diffeomorfisme ($g$) dat de complexe veiligheidsset in de fysieke ruimte ($X_{safe}$) afbeeldt op een eenvoudige eenheidbol in een latente ruimte ($Z$-ruimte).

Kerncomponenten:

1. Geometrische Transformatie:

   • Er wordt een diffeomorfisme $g: X_{safe} \to B^n$ geleerd, waarbij $B^n$ de eenheidbol is.
   • Deze afbeelding is bi-Lipschitz, wat betekent dat het zowel de voorwaartse als de inverse afbeelding begrensd is door constante factoren ($\mu$ en $\nu$). Dit garandeert dat de afbeelding glad is en geen singulariteiten introduceert.
   • De complexe geometrie van obstakels in $X$ wordt "ontvouwen" naar een convexe bol in $Z$.

2. Dynamisch Systeem (Neurale ODE):

   • In de $Z$-ruimte zijn de trajecten simpele rechte lijnen naar het getransformeerde doel $z^* = g(x^*)$. De dynamiek wordt beschreven door: $\dot{z} = \lambda(z^* - z)$.
   • Door deze dynamiek terug te projecteren naar de $X$-ruimte via de inverse $g^{-1}$, ontstaat een natuurlijk gradiëntstroom (natural gradient flow):
     $$\dot{x} = f(x, x^*) := -M(x)^{-1} \nabla_x V(x, x^*)$$
     Waarbij $V(x, x^*) = \frac{\lambda}{2} |g(x) - g(x^*)|^2$ de kandidaat-Lyapunov-functie is en $M(x)$ de Riemannse metriek geïnduceerd door $g$.

3. Veiligheid en Stabiliteit:

   • Veiligheid: Omdat de $Z$-ruimte convex is (een bol), blijven rechte lijnen tussen twee punten in $Z$ binnen de bol. Omdat $g$ een diffeomorfisme is, blijven de corresponderende trajecten in $X$ binnen $X_{safe}$. Dit garandeert forward invariance (de set blijft invariant).
   • Stabiliteit: Het systeem is globaal exponentieel stabiel, ongeacht de locatie van het doel, zolang het doel binnen $X_{safe}$ ligt.
   • Expliciete Grenzen: De methode levert expliciete bovengrenzen op voor convergentiesnelheid, trackingfout en de grootte van het vectorveld.

4. Lerend Implementatie:

   • De diffeomorfisme $g$ wordt geparametriseerd met een BiLipNet (een speciaal type neurale netwerk dat bi-Lipschitz grenzen kan handhaven).
   • Trainingsdata: Gebruik van RRT om een "cost-to-go" veld te genereren voor veilige punten en een classificatie-achtige loss-functie om veilige en onveilige gebieden te scheiden.
   • Doel-conditionaliteit: Het model wordt getraind op één doel, maar generaliseert naar willekeurige doelen zonder hertraining, omdat de stabiliteits- en veiligheidsbewijzen onafhankelijk zijn van de specifieke doellocatie.

3. Belangrijkste Bijdragen

1. Systeematische Constructie: Een methodologie voor het bouwen van doel-geconditioneerde dynamische systemen via diffeomorfismen die direct toepasbaar zijn voor all-pairs planning.
2. Theoretische Garanties: Bewijzen van globale exponentiële stabiliteit en veiligheid (forward invariance van de veilige set) voor elke combinatie van start- en doelpunt binnen de veilige set.
3. Tractabele Lerende Formulering: Een praktische implementatie met bi-Lipschitz neurale netwerken (BiLipNets) die expliciete grenzen op de dynamica oplegt en overfitting voorkomt.
4. Generalisatie: Het vermogen om te generaliseren naar ongezette doelpunten zonder het model opnieuw te hoeven trainen, in tegenstelling tot eerdere methoden die een vast doel vereisten.

4. Resultaten

De methode is getest op een 2D navigatietaken in een gang met complexe obstakels:

• Training: Het model werd getraind op data gegenereerd door een RRT met één vast doelpunt.
• Visualisatie: De geleerde afbeelding $g$ transformeerde de complexe, niet-convexe gang in de $X$-ruimte naar een perfecte eenheidbol in de $Z$-ruimte.
• Trajecten: Trajecten in de $X$-ruimte waren glad en vermijden obstakels perfect. In de $Z$-ruimte waren deze trajecten rechte lijnen.
• Generalisatie: Het systeem slaagde erin om veilig en stabiel naar nieuwe, ongezette doelpunten te navigeren zonder hertraining. De trajecten bleven binnen de veilige set en convergeerden exponentieel naar het nieuwe doel.
• Vergelijking: In vergelijking met standaard gradiëntstromen (zonder natuurlijke metriek) bleek de voorgestelde methode de enige te zijn die veiligheid garandeerde bij veranderende doelen; standaard methoden leidden soms tot botsingen.

5. Significantie

Dit werk is significant voor de robotica en het veld van Learning from Demonstration (LfD) omdat het een brug slaat tussen theoretische garanties en flexibiliteit:

• Het lost het probleem op van het garanderen van veiligheid en stabiliteit in leer-gebaseerde systemen voor willekeurige doelen.
• Het biedt een alternatief voor traditionele sampling-methoden (zoals RRT) die geen gladde feedbackbeleid genereren, en voor potentiaalvelden die last hebben van lokale minima.
• De expliciete grenzen op snelheid en fouten maken de methode geschikt voor veiligheidskritische toepassingen waar voorspelbaarheid essentieel is.
• Het introduceert een nieuwe standaard voor het ontwerpen van neurale dynamische systemen die zowel stabiel als veilig zijn door gebruik te maken van de meetkundige eigenschappen van bi-Lipschitz diffeomorfismen.

Kortom, de auteurs presenteren een robuust raamwerk dat complexe bewegingsplanningsproblemen reduceert tot eenvoudige lineaire dynamica in een getransformeerde ruimte, met wiskundig bewezen garanties voor veiligheid en stabiliteit.