🤖 machine learning

Learning Forced Multibody Dynamics on Lie Groups

Dit artikel stelt een geometrische deep learning-architectuur voor die discrete gedwongen Euler-Lagrange-vergelijkingen op Lie-groepen gebruikt om de dynamica van mechanische systemen te leren van enkel positiegegevens, waardoor inherente geometrische structuren en behoudswetten worden behouden terwijl meerlichaamsystemen en externe controles worden ondergebracht.

Oorspronkelijke auteurs: Martine Dyring Hansen, Marta Ghirardelli, Elena Celledoni, David Martin de Diego, Brynjulf Owren

Gepubliceerd 2026-07-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Martine Dyring Hansen, Marta Ghirardelli, Elena Celledoni, David Martin de Diego, Brynjulf Owren

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 robot probeert te leren dansen. Je hebt een video van de dans, maar je ziet alleen de pose van de robot (waar de lichaamsdelen zich bevinden) om de paar frames. Je hebt geen snelheidsmeter, en je hebt zeker geen kaart van de onzichtbare krachten die de robot rondstuwen. Je doel is om een computerprogramma te bous dat de volgende beweging kan voorspellen, en daarna de beweging daarna, voor eeuwig, zonder dat de robot ooit omvalt of glitcht.

Dit is precies de uitdaging waar een team van onderzoekers een aanpak voor voorstelt met een nieuwe manier om te leren hoe mechanische systemen bewegen. Ze noemen hun creatie LieDFLNN.

Het Probleen: De "Gimbal Lock" Valstrik

De meeste computermodellen proberen rotatie te beschrijven met een reeks drie getallen, zoals Euler-hoeken (denk aan "yaw, pitch en roll"). Het is alsof je een locatie op aarde probeert te beschrijven met alleen breedtegraad en lengtegraad. Dat werkt prima totdat je bij de Noordpool komt. Plotseling breekt de wiskunde af. In de wereld van robotica wordt dit gimbal lock genoemd.

Als een robot 360 graden draait, kan een model dat Euler-hoeken gebruikt plotseling van "179 graden" naar "-179 graden" springen om de getallen klein te houden. Voor de computer is de robot niet vloeiend gedraaid; hij is geteleporteerd. Dit zorgt ervoor dat het leermodel in de war raakt, omdat het probeert een vloeiende dans aan te passen aan een hoekige, gebroken kaart.

Het artikel betoogt expliciet tegen het gebruik van deze standaard "platte" kaarten (Euclidische ruimtes) of Euler-hoeken voor systemen die draaien of op complexe manieren bewegen. Ze laten zien dat het dwingen van rotatiegegevens in deze platte coördinaten zorgt voor kunstmatige sprongen en fouten die erger worden naarmate het object meer roteert.

De Oplossing: Dansen op een Bol

In plaats van de wereld af te vlakken, stellen de auteurs voor om de wereld gekromd te houden, precies zoals hij is. Ze behandelen de oriëntatie van de robot niet als drie getallen, maar als een rotatiematrix—een speciale raster van getallen die altijd "perfect orthogonaal" blijft (zoals de hoeken van een perfecte doos).

Denk hierover als volgt: Als je op een vlakke vloer loopt, kun je gewoon een liniaal gebruiken om afstand te meten. Maar als je over het oppervlak van een reusachtige strandbal loopt, werkt een liniaal niet goed; je moet de kromming van de bal volgen. De methode van de auteurs leeft direct op die "strandbal" (wiskundig bekend als een Lie-groep, specifiek SO(3) voor rotatie en SE(3) voor rotatie plus beweging).

Door dit te doen, hoeft het model zich nooit zorgen te maken over "teleporteren" of het raken van een singulariteit. Het blijft op het oppervlak van de bol, precies zoals de echte robot dat doet.

De Magische Truc: Leren Zonder Snelheid

Normaal gesproken heb je, om te begrijpen hoe iets beweegt, de snelheid (velocity) nodig. Maar in de echte wereld geven sensoren vaak alleen posities (waar dingen zijn) door, en het berekenen van snelheid vanuit positie is rommelig en ruisgevoelig.

De auteurs gebruiken een slimme truc uit de natuurkunde genaamd Discrete Forced Euler-Lagrange vergelijkingen.

De Analogie: Stel je voor dat je een film bekijkt van een bal die een heuvel afrolt. Je hoeft niet de exacte snelheid van de bal op elk milliseconde te weten om te voorspellen waar hij hierna zal zijn. Je hoeft alleen maar te weten waar hij twee frames geleden was en waar hij nu is. De wetten van de natuurkunde (specifiek het principe van "kleinste werking") verbinden deze punten.
De Methode: Hun model leert een "Discrete Lagrangian". Zie dit als een geheim regelboekje dat het systeem vertelt hoe het van de ene pose naar de volgende springt op basis alleen van de vorige twee poses. Het heeft geen snelheid nodig om dit expliciet te berekenen. Het kijkt simpelweg naar het patroon van posities en leert de "kracht" die hen verbindt.

Wat Ze Hebben Bewezen (en Wat Niet)

De onderzoekers hebben niet alleen gegokt dat dit zou werken; ze hebben het getest met simulaties en echte gegevens.

De "Grote Draai" Test: Ze simuleerden een star lichaam dat draait. Wanneer ze de oude Euler-hoek methode gebruikten, faalde het model rampzalig naarmig de draai groter werd, wat resulteerde in hoekige, foutieve paden. Wanneer ze hun nieuwe Lie-groep methode gebruikten, bleef het model accuraat, zelfs bij enorme, 360-graden draaiingen. De fout bleef laag en stabiel, terwijl de fout van de oude methode explodeerde.
De "Lange Duur" Test: Ze probeerden de toekomst van een draaiend object te voorspellen voor 500 stappen (veel langer dan de trainingsdata). De nieuwe methode bleef de hele tijd op de "bol" (de juiste wiskundige vorm). De oude methoden, zelfs als ze goed begonnen, weken langzaam af van de bol en werden fysiek onmogelijk (zoals een rotatiematrix die niet langer een perfect vierkant is).
De "Menselijke Wieltje" Test: Ze namen echte gegevens van een mens die een wieltje maakte (opgenomen op 120 Hz). Dit is een complex systeem met veel bewegende delen (een "multibody system"). Ze trainden het model op slechts twee opnames van dezelfde persoon die dezelfde beweging uitvoert. Het model leerde de beweging met hoge getrouwheid te reproduceren. De fout in hun voorspelling was zelfs kleiner dan het natuurlijke verschil tussen de twee echte opnames (wat betekent dat het model even goed was als de consistentie van de mens zelf).
De "Geheime Controller" Test: In één experiment kenden ze de fysica van de robot (het gewicht en de vorm), maar kenden ze de "hersenen" (het controlesignaal) niet die het aansturen. Ze voedden het model alleen de positiegegevens. Het model slaagde erin het verborgen controlesignaal te achterhalen, wat bewees dat het de "body" van de "brain" kan scheiden.

De Kernboodschap

Het artikel suggereert dat door de gekromde geometrie van rotatie te respecteren (gebruikmakend van Lie-groepen) en een discrete, stap-voor-stap natuurkundige regelset te gebruiken, we leermodellen kunnen bouwen die:

Nauwkeuriger zijn bij grote rotaties.
Stabieler zijn over lange perioden (ze wijken niet af).
In staat zijn om te leren van alleen positiegegevens, waarbij ze de ruisige snelheidsmetingen negeren.

Ze beweerden niet dat dit elk probleem in de robotica oplost, maar ze lieten zien dat voor systemen die draaien en bewegen als starre lichamen (drones, robots, menselijke ledematen), deze aanpak aanzienlijk beter is dan de standaard "platte" methoden. Het is een manier om computers te leren de wereld te begrijpen zoals die werkelijk is: gekromd, verbonden en continu.

Technische Samenvatting: Leren van Gedwongen Multibody-dynamica op Lie-groepen

Probleemstelling
Het leren van dynamische systemen uit observationele data omvat vaak toestanden die evolueren op niet-lineaire configuratieruimten, zoals de rotatiegroep $SO(3)$ of de speciale Euclidische groep $SE(3)$. Bestaande benaderingen modelleren deze systemen vaak in Euclidische inbeddingen (bijv. Euler-hoeken of gegeneraliseerde coördinaten), wat leidt tot coördinatensingulariteiten (zoals gimbal lock), discontinuïteiten en representatie-ambiguïteiten. Bovendien vereisen standaard leermethoden vaak snelheidgegevens, die mogelijk niet beschikbaar, ruisgevoelig of moeilijk te verkrijgen zijn uit discrete positie-metingen. Modellen die de manifold-structuur van de configuratieruimte niet inherent respecteren, kunnen bovendien lijden onder geometrische drift, waarbij voorspelde trajecten fysieke beperkingen (zoals de orthogonaliteit van rotatiematrices) in de loop van de tijd schenden.

Methodologie
Het artikel stelt LieDFLNN voor (Lie Group Discrete Forced Euler-Lagrange Neural Network), een architectuur die de dynamica van mechanische systemen direct op Lie-groepen leert met behulp van uitsluitend positiegegevens. De methodologie is gebaseerd op discrete variationele mechanica:

Discrete Gedwongen Euler-Lagrange Vergelijkingen: De kern van de aanpak maakt gebruik van de discrete gedwongen Euler-Lagrange vergelijkingen op Lie-groepen. In plaats van continue-tijd afgeleiden te benaderen, formuleert de methode dynamica met behulp van discrete Lagrangians $L_d: G \times G \to \mathbb{R}$ en discrete externe krachten. Deze formulering berust uitsluitend op paren opeenvolgende configuraties $(g_k, g_{k+1})$ en hun groepsincrementen $W_k = g_k^{-1}g_{k+1}$ , waardoor expliciete snelheidmetingen overbodig worden.
Trivialisering: De vergelijkingen worden uitgedrukt met behulp van links-trivialisering, waarbij de tangent bundle $TG$ wordt in kaart gebracht naar $G \times \mathfrak{g}$ (waarbij $\mathfrak{g}$ de Lie-algebra is). Dit maakt het mogelijk om de dynamica volledig te berekenen in termen van groepselementen en algebra-elementen, waardoor de geometrische structuur behouden blijft.
Neurale Parameterisering: De discrete Lagrangian en de externe krachten worden geparametriseerd door neurale netwerken ( $L_\theta$ $L_{θ}$ en $F_\theta$ $F_{θ}$ ). De architectuur ondersteunt:
- Starre lichamen (Rigid Bodies): Specifieke formuleringen voor $SO(3)$ en $SE(3)$, inclusclusief traagheidsmatrices en potentiële energieën.
- Multibody-systemen: Uitbreiding naar product-manifolds (bijv. $SE(3) \times SO(3)^{N}$ ) om gearticuleerde systemen zoals menselijke skeletten te modelleren.
- Controle-inputs: Het framework kan onbekende controlewetten (bijv. feedbackcontrollers) als onderdeel van de externe krachtterm opnemen.
Regularisatie: Om degeneratieve oplossingen (bijv. constante Lagrangians) te voorkomen, wordt een regularisatieterm toegevoegd aan de verliesfunctie. Deze term dwingt de regulariteit van de discrete Lagrangian af door Hessianen te bestraffen die de singulariteit naderen, wat ervoor zorgt dat het systeem weloverwogen blijft.
Inferentie: Voorspelling vindt plaats door iteratief de discrete gedwongen Euler-Lagrange vergelijkingen op te lossen voor de groepsincrementen, waardoor gegarandeerd wordt dat de gegenereerde trajecten strikt op de configuratie-manifold blijven zonder ad-hoc projectiestappen.

Belangrijkste Bijdragen

Manifold-Consistente Leermethode: De methode opereert direct op groepswaarde-observaties, wat garandeert dat geleerde toestanden op de configuratie-manifold blijven (bijv. $SO(n)$, $SE(n)$), waardoor geometrische drift en de noodzaak voor re-orthogonalisatie worden vermeden.
Snelheidsvrije Dynamica: Door gebruik te maken van de discrete variationele formulering, herstelt de aanpak de fysieke structuur uit enkel positie-metingen, waarmee de ruis en complexiteit van numerieke differentiatie worden vermeden.
Modulariteit en Flexibiliteit: Het framework is modulair en in staat om volledige dynamica (Lagrangian en krachten) gezamenlijk te leren of specifieke componenten te isoleren (bijv. het identificeren van onbekende controlewetten wanneer de mechanische eigenschappen bekend zijn).
Generalisatie naar Multibody-systemen: De aanpak breidt zich op natuurlijke wijze uit naar complexe multibody-systemen met gekoppelde interacties, waarbij product-manifolds van $SO(3)$ en $SE(3)$ worden gehanteerd.

Experimentele Resultaten
De auteurs valideren de aanpak via vijf experimentele instellingen:

Coördinaatrepresentatie: Op $SO(3)$ presteert LieDFLNN significant beter dan Euler-hoek-gebaseerde baselines, met name bij grote rotaties waar Euler-hoeken lijden onder singulariteiten en discontinuïteiten. De Lie-groep representatie behoudt vloeiende trajecten met lage fouten over alle rotatie-omvang heen.
Discreet versus Continu: De discrete variationele formulering demonstreert superieure data-efficiëntie en nauwkeurigheid vergeleken met continuous-time baselines (inclusief die met gebruik van Lie-groep integratoren). Het discrete model bereikt een hoge nauwkeurigheid zelfs met zeer korte trainingsvensters (3 opeenvolgende poses), terwijl continue modellen langere trajecten nodig hebben om te verbeteren en nog steeds achterblijven in prestaties.
Manifold-beperkingen: Bij toepassing op $SE(3)$ behoudt het voorgestelde model geometrische consistentie (orthogonaliteit en eenheiddeterminant) door constructie. In contrast hiermee accumuleren baselines die matrix-elementen als onafhankelijke Euclidische coördinaten behandelen (zelfs die met variationele structuren) drift en schenden zij fysieke beperkingen tijdens lange rollouts.
Real-world Multibody-systemen: Toegepast op menselijke cartwheel motion capture data (een product-manifold van $SE(3)$ en $SO(3)$), reproduceert het model succesvol complexe, hoog-dimensionale gekoppelde dynamica met grote rotaties. De voorspellingsfouten blijven onder de inherente variabiliteit tussen herhaalde grondwaarheid-opnames.
Controle-identificatie: In een setting waar de Lagrangian bekend is, identificeert het framework succesvol een onbekend PD-controlekoppel uit een enkele traject van positiegegevens alleen, waarbij het controlesignaal accuraat wordt hersteld en het systeem wordt gestabiliseerd.

Significantie en Claims
Het artikel beweert dat het inbedden van de geometrische structuur van Lie-groepen direct in de variationele integrator de coördinatensingulariteiten en geometrische drift elimineert die gebruikelijk zijn bij Euclidische baselines. De auteurs stellen dat de discrete variationele structuur de sleutel is tot effectief leren van discrete observaties, omdat het het model in staat stelt om maximale dynamische informatie te extraheren uit minimale temporele context. Het framework wordt gepresenteerd als een robuust instrument voor systeemidentificatie in situaties waar snelheidgegevens niet beschikbaar of onbetrouwbaar zijn, waarbij een verbeterde fysieke consistentie, generalisatie en langetermijn-voorspellende nauwkeurigheid wordt geboden, met name voor systemen die grote rotaties of complexe multibody-interacties involvolleren. Het werk sluit aan bij de bredere inspanning binnen geometric deep learning om groep- en manifold-structuren in leeralgoritmen te integreren, met een specifieke focus op mechanische systemen via discrete variationele formuleringen.

Het Probleen: De "Gimbal Lock" Valstrik

De Oplossing: Dansen op een Bol

De Magische Truc: Leren Zonder Snelheid

Wat Ze Hebben Bewezen (en Wat Niet)

De Kernboodschap

Meer zoals dit