🤖 machine learning

Elastic ODYN: Differentiable Optimization for Infeasible Control and Learning in Robotics

Dit artikel introduceert Elastic ODYN, een differentieerbare primal-dual QP-solver en framework dat onhaalige controle- en leeropdrachten in de robotica robuust afhandelt door gebruik te maken van gladde elastische relaxaties om numerieke stabiliteit, convergentie naar de meest haalbare oplossingen en betrouwbare gradiëntberekening te waarborgen, zelfs onder conflicterende doelstellingen en gedegenereerde contactcondities.

Oorspronkelijke auteurs: Aristotelis Papatheodorou, Jose Rojas, Ioannis Havoutis, Carlos Mastalli

Gepubliceerd 2026-06-16

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Aristotelis Papatheodorou, Jose Rojas, Ioannis Havoutis, Carlos Mastalli

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een complexe dansroutine voor een robot probeert te plannen. Je hebt een reeks strikte regels: "Niet omvallen," "Houd je hand op de tafel," en "Beweeg je voet precies hier." In de echte wereld worden robots vaak geconfronteerd met situaties waarin deze regels met elkaar in strijd zijn. Misschien is de vloer glad, of zijn de sensoren van de robot net niet nauwkeurig genoeg, of zijn de regels zelf niet tegelijkertijd te voldoen.

In de wereld van de robotica-wiskunde wordt dit een onhaalbaar probleem (infeasible problem) genoemd. De meeste bestaande computerprogramma's (genaamd "solvers") zijn als rigide leraren: als een leerling zelfs maar één regel breekt, stopt de leraar ermee, gooit de handen in de lucht en zegt: "Ik kan dit niet oplossen!" Dit zorgt ervoor dat de robot bevriest, crasht of onvoorspelbaar gedrag vertoont.

Het artikel introduceert een nieuwe tool genaamd ELASTIC ODYN. Zo werkt het, met behulp van eenvoudige analogieën:

1. De "Rubberband"-oplossing (Elastic Constraints)

In plaats van regels te behandelen als onbreekbare stalen muren, behandelt ELASTIC ODYN ze als elastische banden.

De oude manier: Als een robot probeert een muur aan te raken maar er net niet bij kan, breekt de wiskunde.
De ELASTIC ODYN-manier: Als de robot de muur niet perfect kan aanraken, rekt de elastische band een klein beetje uit. De computer berekent de best mogelijke oplossing waarbij de regels zo min mogelijk worden gebogen. Het vindt de "meest nabije mogelijke" oplossing voor de onmogelijke vraag.

2. De "Smooth Operator" (Differentiability)

Robots van tegenwoordig leren van ervaring, vergelijkbaar met hoe een mens leert fietsen door te vallen en bij te sturen. Om te leren, moet de computer begrijpen waarom het misging en hoe het te herstellen.

Het probleem: Wanneer regels worden gebroken (onhaalbaar), produceren oude wiskundige tools "gekartelde" of gebroken signalen. Het is alsof je een auto probeert te besturen met een stuur dat plotseling afbreekt wanneer je een hobbel raakt. Het leerproces crasht dan.
De oplossing: ELASTIC ODYN is "smooth" (glad/continu). Zelfs wanneer de robot een regel breekt, blijft het wiskundige signaal continu en vloeiend. Dit stelt de robot in staat om van zijn fouten te leren, zelfs wanneer de situatie rommelig of onmogelijk is, waardoor het de robot zachtjes richting een betere oplossing leidt.

3. De "Verfijningsfase" (Getting the Physics Right)

Wanneer de elastische banden uitrekken, zijn de getallen die de computer produceert (genaamd "dual variables") een beetje vaag. Ze vertellen je dat een regel is gebroken, maar niet precies hoe hard de robot tegen de muur duwde.

De oplossing: Het artikel voegt een snelle "verfijningsfase" toe. Zie dit als een tweede, snelle controle. Zodra de computer de "uitgerekte" oplossing heeft gevonden, voert het een snelle, lichte berekening uit om die vage getallen te vertalen naar echte, fysieke krachten (zoals hoe hard de voet van de robot tegen de grond drukt). Dit zorgt ervoor dat de robot de fysica correct begrijpt, zelfs als hij een regel moest oprekken om daar te komen.

4. De "SQP"-upgrade (Handling Big, Complex Tasks)

De auteurs hebben ook een grotere versie gebouwd genaamd ELASTIC ODYN SQP. Deze is bedoeld voor het plannen van lange, complexe reeksen bewegingen (zoals een robot die loopt of danst).

Het scenario: Soms is het plan van een robot vanaf het begin al onmogelijk (bijvoorbeeld proberen door een muur te lopen).
De magie: In plaats van vast te lopen, versoepelt dit hulpmiddel selectief alleen de specifieke regels die de conflicten veroorzaken. Het kan bijvoorbeeld zeggen: "Oké, we kunnen dat exacte doel niet raken, dus laten we mikken op de plek vlak daarnaast," terwijl het alle andere regels strikt handhaaft. Dit stelt de robot in staat om in beweging te blijven en een pad te vinden, in plaats van te bevriezen.

Waarom dit ertoe doet

Het artikel heeft dit getest op moeilijke wiskundige problemen, gesimuleerde robotcontacten (zoals een schijf die een buis raakt) en real-world robottaken (zoals een viervoetige hond die loopt en een humanoïde robot die beweegt).

Het resultaat:

Robuustheid: Het crasht niet wanneer er dingen misgaan.
Snelheid: Het begint problemen sneller op te lossen wanneer het een "warm start" krijgt (een hint van een eerdere poging).
Leren: Het stelt robots in staat om te leren en te optimaliseren, zelfs wanneer hun taken onmogelijk zijn of hun modellen licht afwijken.

Kortom, ELASTIC ODYN is een slimmere, flexibelere wiskundige motor die robots in staat stelt om te blijven werken en te leren, zelfs wanneer de wereld zich niet aan de perfecte regels houdt.

Technische Samenvatting: ELASTIC ODYN

Probleemstelling

Robotische systemen komen frequent scenario's tegen waarin optimalisatieproblemen onuitvoerbaar worden door conflicterende doelstellingen, modelleringsfouten of gedegenereerde contactcondities (bijv. rang-tekortschietende contact-Jacobianen). Standaard kwadratische programmeer (QP) solvers en differentieerbare optimalisatielagen gaan doorgaans uit van haalbaarheid. Wanneer beperkingen niet gelijktijdig kunnen worden voldaan, lijden deze methoden vaak aan numerieke defecten, instabiele gradiënten of volledige solver-instorting. Deze beperking belemmert de robuustheid van Model Predictive Control (MPC), Sequential Quadratic Programming (SQP) en leer-gebaseerde robotica-pipelines, met name in real-time, hoog-dimensionale omgevingen waar tussenliggende iteraties mogelijk niet haalbaar zijn.

Methodologie

Het artikel introduceert ELASTIC ODYN, een framework ontworpen om onhaalbaarheid, degeneratie en slecht geconditioneerde problemen aan te pakken via gladde squared- $\ell_2$ elastische relaxaties. De methodologie is gebouwd op drie kerncomponenten:

1. De ELASTIC ODYN Solver

Dit is een primal–dual non-interior-point QP solver. In tegen tegenstelling tot interior-point methoden (IPM's) die strikte haalbaarheid vereisen om een centraal pad te volgen, opereert ELASTIC ODYN buiten de haalbare verzameling.

Elastische Formulering: Harde beperkingen ( $Ax=b, Gx \le h$ ) worden gerelaxeerd met behulp van elastische variabelen ( $s_e, s_i$ ) met kwadratische straffen in de doelfunctie. Dit transformeert het probleem naar een onbeperkte vorm die goed gestructureerd blijft, zelfs wanneer de oorspronkelijke beperkingen tegenstrijdig zijn.
Penalty–Barrier Benadering: De solver maakt gebruik van een penalty–barrier formulering waarbij een barrièrefunctie werkt op een consensusvariabele in plaats van direct op de slack-variabelen. Dit stelt iteraties in staat om de binnenkant van de haalbare regio te verlaten terwijl een goed gedefinieerde primal–dual structuur behouden blijft.
Newton Systeem: De methode gebruikt een gereduceerd elastisch KKT-systeem dat via de Newton-methode wordt opgelost. Het incorporeert proximale straffen op de primal en duale variabelen om robuustheid onder degeneratie te garanderen.
Convergentie: De solver is gegarandeerd te convergeren naar de "dichtstbijzijnde haalbare" oplossing (in een least-violation $\ell_2$ -zin) wanneer er geen haalbaar punt bestaat.

2. Duale Variabele Verfijning

Hoewel de elastische formulering een robuuste primale oplossing biedt, bevatten de bijbehorende duale variabelen gepenaliseerde schendingen in plaats van ware fysieke sensitiviteiten (bijv. contactkrachten). Om dit aan te pakken, introduceren de auteurs een lichtgewicht verfijningsfase. Deze fase start vanuit de elastische primale oplossing, verschuift de beperkingen met de optimale elastische relaxatievariabelen en lost het hard-beperkte probleem opnieuw op. Dit herstelt fysiek betekenisvolle duale variabelen en consistente sensitiviteiten in slechts enkele iteraties.

3. Differentiabele en SQP Extensies

ELASTIC ODYNLAYER: Een differentieerbare QP-laag die de solver uitbreidt naar leer-pipelines. Deze blijft strikt convex en $C^1$ (continu differentieerbaar), zelfs onder onhaalbaarheid. De backward pass combineert impliciete gradiënten via het KKT-systeem met expliciete correcties afgeleid van de elastische relaxatievariabelen, wat zorgt voor stabiele gradiënten voor parameteridentificatie, zelfs wanneer beperkingen conflicteren.
ELASTIC ODYNSQP: Een onhaalbaarheid-bewuste SQP-methode voor niet-lineaire optimale controle. Het lost inconsistente linearisaties en inherent onhaalbare taken op door specifiek bepaalde categorieën van beperkingen (bijv. dynamica versus kinematica) selectief te relaxeren naar de elastische blok, terwijl andere hard blijven. Het maakt gebruik van een merit-functie die de balans bewaart tussen elastische straffen en harde residuen om afname (descent) te garanderen.

Belangrijkste Bijdragen

Het artikel beschrijft vier primaire bijdragen:

ELASTIC ODYN Solver: Een gladde $\ell_2$ -elastische non-interior-point QP solver die in staat is om onhaalbare, gedegenereerde en slecht geconditioneerde problemen robuust af te handelen.
Dual Recovery: Een verfijningsprocedure die interpreteerbare duale variabelen herstelt uit de elastische oplossing, waardoor het framework geschikt is voor contact-fysica toepassingen.
Differentiabele Optimalisatie: ELASTIC ODYNLAYER, een projectievrije, volledig gladde QP-laag die goed gedefinieerde afgeleiden oplevert voor zowel haalbare als onhaalbare problemen, wat gradiënt-gebaseerd leren in beperkte settings mogelijk maakt.
Infeasibility-Aware SQP: ELASTIC ODYNSQP, een framework dat inconsistente subproblemen en onhaalbare optimale controle-taken oplost door middel van selectieve beperking-relaxatie.

Experimentele Resultaten

Het framework werd geëvalueerd over vier domeinen:

Benchmark QPs: Op de Maros–Mészáros testset demonstreerde ELASTIC ODYN superieure warm-start prestaties en lagere faalratio's vergeleken met state-of-the-art solvers zoals PROXQP, OSQP en GUROBI, met name in hoog-nauwkeurige en geperturbeerde regimes.
Ill-Conditioned/Infeasible QPs: In tests met bewust conflicterende beperkingen en slechte schaling, convergeerde ELASTisch ODYN consistent naar de analytische least-squares oplossingen, terwijl concurrenten vaak faalden of tijdslimieten overschreden.
Contactmechanica: In een wrijvingsloze disc-in-tube simulatie met gedegenereerde contactnormalen, lost de solver singulariteiten succesvol op door gecontroleerde penetratie toe te laten, waardoor krachtgeneratie wordt hersteld waar standaardmethoden zouden falen.
Leren en Controle:
- Parameteridentificatie: De differentieerbare laag trainde succesvol een restitutiecoëfficiënt in een elastische impact-setting, waarbij het vloeiend convergeerde naar de grondwaarheid ondanks initiële onhaalbaarheid.
- Trajectoptimalisatie: In quadrupedale (ANYmal) en humanoïde (Talos) locomotie-taken convergeerde ELASTIC ODYNSQP naar haalbare of least-squares oplossingen waar hard-beperkte SQP-methoden vastliepen of divergeerden, zelfs onder conflicterende doelen en strikte beperkingen.

Betekenis

Het artikel beweert dat ELASTIC ODYN onhaalbaarheid-afhandeling, numerieke robuustheid en differentieerbaarheid verenigt, waarmee een fundamenteel tekort in bestaande optimalisatie-gebaseerde robotica en AI-pipelines wordt aangepakt. Door verder te gaan dan de strikte haalbaarheidsveronderstellingen, maakt het framework het volgende mogelijk:

Robuuste Controle: Betrouwbare operatie in dynamische omgevingen waar beperkingen tijdelijk kunnen conflicteren.
Stabiel Leren: Het vermogen om optimalisatielagen te trainen door onhaalbare regio's zonder gradiënt-instorting.
Verenigd Framework: Een enkele aanpak die simulatie, controle en leer-taken afhandelt die voorheen gevoelig waren voor solver-instorting door onhaalbaarheid of degeneratie.

De auteurs positioneren dit werk als een stap naar optimalisatie-gebaseerde robotica die effectief kan opereren "voorbij de haalbaarheidsveronderstellingen van bestaande methoden".