Technische Samenvatting: Fysica-bewuste ijle leerprocessen en selectieve online adaptatie voor Euler–Lagrange robotdynamica

1. Probleemstelling

Nauwkeurige dynamische modellen zijn fundamenteel voor modelgebaseerde robotbesturing en vertrouwen doorgaans op Euler–Lagrange (EL) formuleringen. Echter, nominale EL-modellen schieten vaak tekort in de echte wereld door niet-gemodelleerde effecten zoals variaties in de lading, intra-systeemkoppeling, wrijving, aerodynamische weerstand en veranderende operationele omstandigheden.

Bestaande leergebaseerde correctiemethoden pakken dit doorgaans aan door een enkele additieve residuele term aan het nominale model toe te voegen. Hoewel deze benaderingen effectief zijn bij het verminderen van de voorspellingsfout, behandelen ze de discrepantie vaak als een ongestructureerde, black-box functie. Dit negeert de interne mechanische structuur van EL-systemen en schendt kritieke fysieke eigenschappen zoals symmetrie, de positief-definietheid van de inertiematrix en de specifieke koppeling tussen traagheid en snelheid-afhankelijke (Coriolis/centrifugaal) termen. Gevolgen hiervan zijn dat dergelijke modellen fysiek inconsistente voorspellingen kunnen genereren en een verminderde betrouwbaarheid hebben wanneer ze in controllers worden ingebed.

Bovendien vertonen real-world systemen tijdvariërende koppelingen waarbij veel staat-interacties zwak blijven, wat suggereert dat de residuele dynamica gedeeltelijk ijle (sparse) is. Bestaande methoden slagen er vaak niet in om deze ijlheid te benutten of efficiënt te adapteren aan niet-stationaire condities zonder hoge computationele kosten of data-inefficiëntie te veroorzaken. De kernuitdaging is het ontwikkelen van een leerkader dat de gestructureerde mechanische vorm van EL-systemen behoudt, terwijl het compacte, selectieve online adaptatie mogelijk maakt voor veranderende verstoringen.

2. Methodologie

De auteurs stellen een structuur-behoudend residueel leerframework voor dat de modeldiscrepantie deelt in verschillende componenten, waarbij mechanisch gekoppelde termen worden gescheiden van verstoringgevoelige krachten. De methodologie bestaat uit vier hoofdfasen:

A. Gestructureerde Residuele Decompositie

In plaats van een enkele additieve residu $\delta$ te leren, deelt het model de correctie op in drie delen op basis van de EL-vergelijking:
$$\delta_t = \Delta M_t \ddot{\chi}_t + \Delta C_t \dot{\chi}_t + \Delta f_t$$

1. Inertiecorrectie ($\Delta M$): Een gestructureerde correctie aan de inertiematrix.
2. Geïnduceerde Coriolis-term ($\Delta C$): Direct afgeleid van de gecorrigeerde inertie om de skew-symmetrie-eigenschap ($\dot{M} - 2C$) te behouden.
3. Gegeneraliseerde Kracht-residu ($\Delta f$): Legt niet-conserveerde krachten vast (wrijving, weerstand, externe verstoringen).

B. Ijle Latente Interactiemodellering

Om geschiedenis-afhankelijke dynamica te behandelen en de ijlheid te benutten, codeert het systeem een eindige geschiedenishistorie-venster van observaties ($H_t$) naar een latente representatie $\tilde{z}_t$ met behulp van een temporeel convolutioneel netwerk. Deze representatie wordt vervolgens via soft-thresholding (een ijle coderingsmechanisme) gesplitst in twee takken:

• Structurele Tak ($z^M_t$): Een ijle code die de inertiecorrectie aanstuurt.
• Adaptieve Tak ($z^f_t$): Een ijle code die de correctie van de gegeneraliseerde kracht aanstuurt.

Dit zorgt ervoor dat slechts een kleine subset van "actieve" interactiemodi wordt gebruikt, wat parsimonie bevordert.

C. Fysische Constraints en Parameterisatie

• Inertiematrix: De gecorrigeerde inertie $\hat{M}$ wordt geparametriseerd als de som van de nominale inertie en een geleerde correctie. De correctie wordt geconstrueerd als een low-rank term plus een strikt positieve diagonale term (met behulp van een softplus activatie), waardoor gegarandeerd wordt dat $\hat{M}$ door constructie Symmetrisch Positief Definiet (SPD) blijft.
• Coriolis-matrix: De gecorrigeerde Coriolis-matrix $\hat{C}$ wordt niet onafhankelijk geleerd, maar is analytisch afgeleid van de geleerde inertie $\hat{M}$ met behulp van Christoffel-symbolen. Dit dwingt de mechanische koppeling tussen inertie en snelheidstermen af.
• Gegeneraliseerde Kracht: Gemodelleerd als een lineaire functie van de ijle adaptieve latente code ($\Delta f = \Theta z^f_t$).

D. Selectieve Online Adaptatie

Om tijdvariërende condities (bijv. veranderingen in lading) aan te pakken, gebruikt het framework selectieve online adaptatie:

• De mechanisch gestructureerde componenten ($\Delta M$ en $\Delta C$) worden na offline training vastgezet.
• Alleen de decoder van de gegeneraliseerde kracht ($\Theta$) wordt online bijgewerkt.
• Updates worden uitgevoerd met behulp van Bayesiaanse Lineaire Regressie binnen de actieve latente subspace gedefinieerd door de niet-nul elementen van $z^f_t$. Dit maakt snelle, sample-efficiënte adaptatie aan verstoringen mogelijk zonder het volledige model te hertrainen of de geleerde mechanische structuur te schenden.

3. Belangrijkste Bijdragen

Het artikel benadrukt drie primaire bijdragen:

1. Structuur-behoudende Residuele Decompositie: De formulering van residueel leren voor EL-systemen door expliciet inertiecorrecties, geïnduceerde Coriolis-termen en gegeneraliseerde krachten van elkaar te scheiden. Dit behoudt cruciale mechanische eigenschappen (symmetrie, positief-definietheid) in plaats van alle discrepanties op te nemen in een generieke black-box term.
2. Parsimoine Geschiedenis-afhankelijke Interactiemodellering: De introductie van een ijle latente representatie die een beperkt aantal actieve interactiepatronen vastlegt. Dit maakt compacte modellering mogelijk van zowel gestructureerde mechanische mismatches als verstoringseffecten, waarbij gebruik wordt gemaakt van het feit dat veel staat-interacties consistent zwak zijn.
3. Selectieve Bayesiaanse Online Adaptatie: De ontwikkeling van een adaptatiemechanisme dat alleen de verstoringgevoelige component van de gegeneraliseerde kracht binnen de actieve latente subspace bijwerkt. Dit behoudt de integriteit van de geleerde mechanische structuur terwijl het responsief blijft voor niet-stationaire dynamica.

4. Experimentele Resultaten

De methode werd geëvalueerd over vijf robotplatforms: een differentieel aangedreven mobiele robot, een 6-DoF manipulator, een quadrotor, een mobiele manipulator en een luchtmanipulator. Experimenten omvatten het volgen van complexe figuur-acht trajecten onder variërende ladingen en operationele omstandigheden.

• Voorspellingsnauwkeurigheid: De voorgestelde methode behaalde de laagste genormaliseerde voorspellingsfout vergeleken met baselines inclusief Sparse System Identification (SysID), Physics-Inspired TCNs (PI-TCN) en Deep Model Reference Adaptive Control (DMRAC). Baselines hadden moeite met configuratie-afhankelijke koppeling in mobiele en luchtmanipulatoren, terwijl de gestructureerde aanpak uitblonk.
• Trajectvolging: In closed-loop controle met een computed torque controller demonstreerde de voorgestelde methode superieure tracking-prestaties (laagste RMSE) vergeleken met offline deep learning modellen (DNN, Diffusion), meta-learning benaderingen en actieve MLP's. De resultaten wijzen erop dat het combineren van gestructureerde modellering met recursieve, onzekerheid-bewuste updates cruciaal is voor robuuste tracking onder niet-stationaire dynamica.
• Ablatie-studies:
  • IJlheid (Sparsity): Matige ijle niveaus leverden de beste balans tussen expressiviteit en robuustheid, wat de data-efficiëntie in low-data regimes verbeterde en snellere convergentie mogelijk maakte.
  • Adaptatie: Het ijle model vertoonde snellere foutherstel en gladdere convergentie na transiënte verstoringen (bijv. het laten vallen van een lading) vergeleken met dichte modellen. De actieve latente dimensie nam tijdens transiënten dynamisch toe en keerde terug naar nominale niveaus, wat adaptieve complexiteit demonstreert.

5. Betekenis en Claims

Het artikel stelt dat nauwkeurige real-world modelgebaseerde controle meer vereist dan alleen het verminderen van de voorspellingsfout; het vereist fysische consistentie en selectieve aanpasbaarheid.

• Fysische Consistentie: Door de EL-structuur te behouden (SPD inertie, gekoppelde Coriolis-termen), blijft het model interpreteerbaar en betrouwbaar, waardoor de valkuilen van ongestructureerde black-box correcties die tot instabiel controlegedrag kunnen leiden, worden vermeden.
• Efficiëntie en Robuustheid: De combinatie van ijle latente representaties en selectieve online adaptatie stelt het systeem in staat om tijdvariërende condities efficiënt aan te pakken. Het vermijdt de computationele last van volledige model-hertraining en de data-inefficiëntie van het aanpassen van grote parametersets.
• Praktische Implementatie: Het framework is ontworpen voor real-time implementatie op embedded hardware (NVIDIA Jetson Orin NX), wat aantoont dat gestructureerd residueel leren effectief kan worden geïntegreerd in diverse robotische systemen.

De auteurs concluderen dat hoewel hun aanpak de prestaties aanzienlijk verbetert, een beperking blijft: de mechanisch gestructureerde component is vastgesteld tijdens de inzet. Zij suggereren dat toekomstig werk de gezamenlijke adaptatie van gestructureerde mechanische termen moet onderzoeken voor scenario's met zeer grote of persistente veranderingen in inertie-eigenschappen.