Floating-Base Deep Lagrangian Networks

Título: Floating-Base Deep Lagrangian Networks (FeLaN)

1. Problema Identificado

A identificação de sistemas dinâmicos precisos é crucial para simulação, controle e estimativa de estado em robótica. Embora métodos de "caixa-cinza" (grey-box) combinem aprendizado de máquina com restrições físicas para melhorar a generalização, a aplicação atual dessas técnicas a sistemas de base flutuante (como humanoides e quadrúpedes) apresenta limitações significativas:

• Ignorância de Restrições Físicas Específicas: Modelos existentes frequentemente negligenciam as restrições físicas intrínsecas a sistemas de base flutuante.
• Estrutura da Matriz de Inércia: A matriz de inércia de sistemas de base flutuante não é apenas definida positiva; ela exibe esparsidade induzida por ramos (devido a múltiplas cadeias cinemáticas) e independência de certas entradas.
• Inércia Espacial Composta: A matriz de inércia espacial composta (6x6) da base flutuante herda propriedades de corpos rígidos únicos, incluindo a desigualdade triangular nos autovalores do momento de inércia rotacional.
• Limitações dos Métodos Atuais: Abordagens como Deep Lagrangian Networks (DeLaN) padrão, que utilizam decomposição de Cholesky, não preservam a esparsidade induzida por ramos e têm dificuldade em impor a desigualdade triangular, resultando em modelos que podem não ser fisicamente consistentes ou generalizáveis.

2. Metodologia Proposta

Os autores propõem uma nova parametrização da matriz de inércia para sistemas de base flutuante, baseada na fatoração de Cholesky reordenada (reordered Cholesky factorization), e integram-na em uma arquitetura de aprendizado profundo chamada FeLaN.

• Parametrização da Matriz de Inércia (Seção IV):
  • Utiliza-se uma fatoração reordenada $H(q) = L(q)^T L(q)$, onde $L(q)$ é uma matriz triangular inferior.
  • Esparsidade: A estrutura de $L$ é projetada para refletir a topologia das cadeias cinemáticas do robô, garantindo que os blocos da matriz dependam apenas das juntas relevantes de cada ramo (esparsidade induzida por ramos).
  • Consistência Física:
    • Definição Positiva: Garantida pelos elementos diagonais positivos de $L$.
    • Desigualdade Triangular: A inércia rotacional composta $I_B$ é parametrizada através de uma matriz de covariância semidefinida positiva $\Sigma_R$, garantindo que $I_B = \text{Tr}(\Sigma_R)I_3 - \Sigma_R$ satisfaça a desigualdade triangular.
    • Momento de Massa e Massa Total: Restrições matemáticas são impostas para garantir que a massa total seja positiva e que o momento de massa linear seja consistente com a estrutura de $L$.
• Arquitetura de Rede Neural (Seção V):
  • Inspirada no DeLaN, a rede aprende os elementos da matriz $L(q)$ e a energia potencial.
  • Múltiplas Redes: Redes neurais separadas são usadas para estimar os blocos dependentes de cada ramo cinemático ($L_{kL}, L_{kR}, L_k$) apenas a partir das juntas desse ramo, enquanto uma rede global estima os blocos dependentes de todas as juntas ($L_R, L_\Sigma$).
  • Função de Perda: O treinamento minimiza o erro da dinâmica inversa (diferença entre o torque estimado e o torque real), utilizando a formulação de Euler-Lagrange. Termos auxiliares são adicionados para garantir que as matrizes intermediárias permaneçam definidas positivas durante o treinamento.
  • Energia Potencial: Calculada diretamente a partir dos parâmetros estimados de massa e momento de massa, sem necessidade de uma rede neural adicional.

3. Principais Contribuições

1. Extensão da Consistência Física: Generalização das condições de consistência física completa (incluindo a desigualdade triangular) da inércia de corpo rígido único para a inércia espacial composta de sistemas de base flutuante.
2. Nova Parametrização: Desenvolvimento de uma parametrização da matriz de inércia que preserva a esparsidade induzida por ramos e garante a consistência física completa, superando as limitações da fatoração de Cholesky padrão.
3. Arquitetura FeLaN: Introdução de uma rede de aprendizado profundo de caixa-cinza específica para identificação de sistemas de base flutuante, combinando mecânica Lagrangiana com a nova parametrização.
4. Validação Empírica: Coleta e liberação de um novo conjunto de dados (dataset) com múltiplos robôs quadrúpedes e humanoides (reais e simulados) para benchmarking.

4. Resultados Experimentais

Os autores avaliaram o FeLaN em ambientes simulados (MJX) e em robôs reais (Unitree Go2, Boston Dynamics Spot, Pal Robotics Talos, HyQReal2).

• Desempenho em Simulação:
  • O FeLaN alcançou o menor erro médio quadrático normalizado (NMSE) tanto para o Go2 quanto para o Talos, superando métodos black-box (MLP), DeLaN padrão e variantes de identificação de dinâmica (DNEA).
  • O FeLaN demonstrou melhor capacidade de prever componentes individuais da dinâmica (gravidade, Coriolis, inércia) em comparação com outros métodos.
• Desempenho em Robôs Reais:
  • Em dados reais, onde ruídos e dinâmicas não modeladas (atuadores, contato) são presentes, o FeLaN manteve o melhor desempenho global (menor rNMSE ponderado).
  • Métodos baseados em física (DNEA) tiveram desempenho inferior em robôs mais pesados (Talos, HyQReal2) devido à complexidade do modelo e sensibilidade a dinâmicas de contato.
  • Métodos puramente black-box (MLP, DeLaN) foram sensíveis à inicialização e não generalizaram tão bem entre diferentes robôs quanto o FeLaN.
• Interpretabilidade: O modelo FeLaN forneceu maior interpretabilidade física, estimando corretamente a massa total e os momentos de inércia, o que é crucial para controle e planejamento.

5. Significado e Impacto

O trabalho preenche uma lacuna crítica na robótica de aprendizado, permitindo a aplicação de métodos de identificação de sistemas baseados em física para robôs complexos de base flutuante.

• Generalização: Ao impor restrições físicas rigorosas (esparsidade e desigualdade triangular), o modelo generaliza melhor para distribuições fora do treinamento (out-of-distribution).
• Eficiência de Dados: A estrutura física atua como um viés indutivo forte, permitindo aprendizado eficiente mesmo com dados limitados ou ruidosos.
• Aplicabilidade: O método não requer conhecimento prévio dos parâmetros dinâmicos (massa, inércia), apenas da topologia das cadeias cinemáticas, tornando-o aplicável a uma vasta gama de robôs legged (com pernas) sem necessidade de calibração manual extensiva.

Em resumo, o FeLaN representa um avanço significativo na criação de modelos dinâmicos precisos, interpretáveis e fisicamente consistentes para a próxima geração de robôs humanoides e quadrúpedes autônomos.