Technische Samenvatting: Morphologisch Equivariante Flow Matching voor Bimanuele Mobile Manipulatie

Probleemstelling

Mobile manipulatie (MoMa) met bimanuele robots vereist gecoördineerde besturing van hoogdimensionale systemen. Hoewel Imitatielearning (IL), en specifiek Behavior Cloning (BC), een standaardbenadering is voor het oplossen van deze taken, kampt deze vaak met een lage sample-efficiëntie en slechte generalisatie, wat enorme hoeveelheden expertdemonstratiegegevens vereist. Een kritieke, maar vaak over het hoofd geziene, inductieve bias in bimanuele systemen is bilaterale morfologische symmetrie. De meeste bimanuele robots, net als mensen, bezitten een reflectiesymmetrie over hun sagittale vlak. Huidige IL-methoden negeren deze prior doorgaans, waardoor ze niet benutten dat een beleid dat een taak in één configuratie oplost, inherent ook de gespiegelde tegenhanger moet oplossen. Het artikel adresseert de uitdaging om deze symmetrie te formaliseren om de sample-efficiëntie, generalisatie en optimaliteit in bimanuele MoMa te verbeteren.

Methodologie

De auteurs formuleren het probleem van beleidslernen als een symmetrie-gedwongen optimalisatie binnen het Flow Matching (FM)-kader.

1. Probleemformulering

De taak wordt gemodelleerd als een Partially Observable Markov Decision Process (POMDP). De kernhypothese is dat de POMDP een unieke reflectiesymmetrie ($g_r$) toestaat die wordt veroorzaakt door de morfologie van de robot. Deze symmetrie werkt op de ruimten voor toestand ($S$), actie ($A$) en observatie ($O$). De auteurs betogen dat een optimaal beleid $\pi_\theta$ moet voldoen aan een $C_2$-invariantie-beperking:
$$\pi_\theta(a|x) = \pi_\theta(g_r \triangleright_A a | g_r \triangleright_X x)$$
Dit impliceert dat als de invoerobservatie wordt gereflecteerd, de uitvoeractieverdeling dienovereenkomstig ook moet worden gereflecteerd, wat resulteert in een ambidextre beleid.

2. Flow Matching met Equivariantie

De auteurs maken gebruik van Flow Matching, waarbij het beleid wordt gemodelleerd als het integreren van een differentiaalvergelijking (ODE) in continue tijd, die wordt bestuurd door een snelheidsveld $v_\theta$. Het doel is om een snelheidsveld te leren dat een priorverdeling (Gaussisch ruis) transformeert naar de expertactieverdeling.

Om de symmetriebeperking af te dwingen, moet het snelheidsveld $v_\theta$ $G$-equivariant zijn. Het artikel stelt drie verschillende strategieën voor om dit af te dwingen binnen de FM-doelfunctie:

• Data-augmentatie (SymAug): De trainingsdataset wordt uitgebreid door gereflecteerde observatie-actiekoppels toe te voegen. Dit verzacht de beperking door het model tijdens het trainen bloot te stellen aan gespiegelde voorbeelden.
• Equivariantie-consistentieverlies (EquivReg): Een regularisatieterm wordt toegevoegd aan het trainingsverlies. Deze term straft afwijkingen van equivariantie af door de afstand te minimaliseren tussen de uitvoer van het snelheidsveld op een gereflecteerde invoer en de reflectie van de uitvoer van het snelheidsveld op de oorspronkelijke invoer.
• Expliciet Equivariant Netwerk (EquivNet): Het snelheidsveld $v_\theta$ wordt geparametriseerd met behulp van een nieuw $G$-equivariant Transformer. In deze architectuur zijn alle modules ontworpen om equivariant te zijn ten opzichte van een willekeurige compacte groep $G$ (specifiek $C_2$ voor reflectie), waardoor wordt gegarandeerd dat de equivariantiebeperking geldt voor alle invoer, inclusief die buiten de verdeling.

Belangrijkste Bijdragen

1. Formalisatie van Symmetrie in FM: Het artikel formaliseert door reflectiesymmetrie veroorzaakte equivariantie voor IL binnen het Flow Matching-kader en demonstreert twee primaire strategieën voor het afdwingen van deze beperkingen: via equivariante neurale netwerken of via regularisatie.
2. Nieuwe Architectuur: De auteurs introduceren een $G$-equivariant transformer dat in staat is om willekeurige eindige groepen te verwerken, specifiek toegespitst om ambidextre bimanuele besturing mogelijk te maken.
3. Empirische Validatie: De studie toont aan dat het benutten van morfologische symmetrie de sample-efficiëntie en generalisatie verbetert en zero-shot-overdracht naar gespiegelde taken mogelijk maakt die afwezig waren in de trainingsverdeling.

Experimentele Resultaten

De voorgestelde methoden werden geëvalueerd op de Push-T-benchmark, gesimuleerde bimanuele MoMa-taken (doos tillen, kast openen, reiken) met een TIAGo++-robot, en een real-world TIAGo++-taak.

• Sample-efficiëntie: In een regime met gedeelde data (waar zowel originele als gereflecteerde demonstraties beschikbaar zijn), presteerden door symmetrie geïnformeerde beleidslijnen (SymAug, EquivReg, EquivNet) consequent beter dan de symmetrie-agnostische baseline (FM-BL). Gemiddeld behaalden ze een 2-voudige winst in sample-efficiëntie.
• Zero-shot Generalisatie: Beleidslijnen getraind op de originele configuratie slaagden erin om zonder extra training over te gaan naar gespiegelde configuraties ($g_r$).
  • Simulatie: Bij de taak 'Doos tillen' behaalde de baseline 0% succes op gespiegelde taken, terwijl door symmetrie bewuste methoden ~66–72% succes behaalden. Bij 'Kast openen' steeg het gespiegelde succespercentage van 0% (baseline) naar ~83–88%.
  • Real-world: Op een echte TIAGo++-robot die een pick-and-place-taak uitvoerde, behaalde een beleid getraind op de linkerarm (origineel) 100% succes wanneer getest op de rechterarm (gespiegeld) in een zero-shot setting.
• Optimaliteit en Schaalbaarheid van Moeilijkheidsgraad: Het artikel merkt op dat het afdwingen van de symmetriebeperking als een optimaliteitsbeperking (via EquivReg en EquivNet) betere resultaten opleverde dan eenvoudige data-augmentatie, met name bij uitdagende taken zoals doos tillen. Bovendien namen de prestatieverbeteringen ten opzichte van de baseline toe met de taakmoeilijkheid (bijvoorbeeld bredere doelverdelingen), wat suggereert dat de symmetrie-prior goed schaalt met complexiteit.

Betekenis en Beweringen

Het artikel beweert dat morfologische symmetrie een effectieve, generaliseerbare en schaalbare inductieve bias is voor ambidext generatief beleidslernen. Door de fysieke realiteit van bilaterale symmetrie expliciet op te nemen in het leeralgoritme, tonen de auteurs aan dat robots efficiënter kunnen leren en generaliseren naar ongezette gespiegelde scenario's zonder dat er extra datacollectie nodig is.

Het werk onderscheidt zich van eerdere symmetrie-gebaseerde IL (die zich vaak richtte op SE(3)-equivariantie of locomotie) door specifiek te mikken op bimanuele mobile manipulatie en het gebruik van Flow Matching met expliciete equivariante architecturen. De auteurs concluderen dat het behandelen van symmetrie als een harde beperking (via equivariante netwerken) of een sterke regularisator superieur is aan het behandelen ervan als louter data-augmentatie, en bieden zo een robuust pad naar capabelere en data-efficiëntere service-robots.