🤖 machine learning

Learning Forced Multibody Dynamics on Lie Groups

Este artigo propõe uma arquitetura de aprendizado profundo geométrico que utiliza equações de Euler-Lagrange forçadas discretas em grupos de Lie para aprender a dinâmica de sistemas mecânicos a partir de dados apenas de posição, preservando assim estruturas geométricas inerentes e leis de conservação, ao mesmo tempo em que acomoda sistemas de múltiplos corpos e controles externos.

Autores originais: Martine Dyring Hansen, Marta Ghirardelli, Elena Celledoni, David Martin de Diego, Brynjulf Owren

Publicado 2026-07-15

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Martine Dyring Hansen, Marta Ghirardelli, Elena Celledoni, David Martin de Diego, Brynjulf Owren

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando ensinar um robô a dançar. Você tem um vídeo da dança, mas só vê a pose do robô (onde estão suas partes do corpo) a cada poucos quadros. Você não tem um velocímetro e certamente não tem um mapa das forças invisíveis que empurram o robô ao redor. Seu objetivo é construir um programa de computador que possa prever o próximo movimento, e depois o próximo, para sempre, sem que o robô nunca caia ou apresente falhas.

Este é exatamente o desafio enfrentado por uma equipe de pesquisadores que propõe uma nova maneira de aprender como sistemas mecânicos se movem. Eles chamam sua criação de LieDFLNN.

O Problema: A Armadilha do "Gimbal Lock"

A maioria dos modelos de computador tenta descrever a rotação usando um conjunto de três números, como ângulos de Euler (pense neles como "yaw, pitch e roll"). É como tentar descrever uma localização na Terra usando apenas latitude e longitude. Funciona bem até você chegar ao Polo Norte. De repente, a matemática quebra. Na computação, isso é chamado de gimbal lock (travamento de gimbal).

Se um robô gira 360 graus, um modelo usando ângulos de Euler pode subitamente saltar de "179 graus" para "-179 graus" apenas para manter os números pequenos. Para o computador, o robô não girou suavemente; ele teletransportou. Isso faz com que o modelo de aprendizado fique confuso, tentando ajustar uma dança suave a um mapa irregular e quebrado.

O artigo argumenta explicitamente contra o uso desses mapas "planos" padrão (espaços euclidianos) ou ângulos de Euler para sistemas que giram ou se movem de formas complexas. Eles mostram que forçar os dados de rotação em essas coordenadas planas introduz saltos e erros artificiais que pioram à medida que o objeto rotaciona mais.

A Solução: Dançando em uma Esfera

Em vez de achatar o mundo, os autores sugerem que mantenhamos o mundo curvo, exatamente como ele é. Eles tratam a orientação do robô não como três números, mas como uma matriz de rotação — uma grade especial de números que permanece sempre "perfeitamente ortogonal" (como os cantos de uma caixa perfeita).

Pense da seguinte forma: Se você está caminhando em um chão plano, pode simplesmente usar uma régua para medir a distância. Mas se você estiver caminhando na superfície de uma bola de praia gigante, uma régua não funcionará bem; você precisa seguir a curva da bola. O método dos autores vive diretamente na superfície dessa "bola de praia" (matematicamente conhecido como um grupo de Lie, especificamente SO(3) para rotação e SE(3) para rotação mais movimento).

Ao fazer isso, o modelo nunca precisa se preocupar com "teletransporte" ou com o alcance de uma singularidade. Ele permanece na superfície da esfera, exatamente como o robô real faz.

O Truque de Mestre: Aprendendo Sem Velocidade

Normalmente, para entender como algo se move, você precisa saber sua velocidade (velocidade vetorial). Mas no mundo real, os sensores muitas vezes fornecem apenas posições (onde as coisas estão), e calcular a velocidade a partir da posição é problemático e ruidoso.

Os autores usam um truque inteligente da física chamado equações de Euler-Lagrange discretas forçadas.

A Analogia: Imagine que você está assistindo a um filme de uma bola rolando ladeira abaixo. Você não precisa saber a velocidade exata da bola a cada milissegundo para prever onde ela estará a seguir. Você só precisa saber onde ela estava dois quadros atrás e onde ela está agora. As leis da física (especificamente o princípio da "menor ação") conectam esses pontos.
O Método: O modelo deles aprende um "Lagrangiano Discreto". Pense nisso como um livro de regras secreto que diz ao sistema como saltar de uma pose para a próxima baseando-se apenas nas duas poses anteriores. Ele não precisa calcular a velocidade explicitamente. Ele apenas observa o padrão de posições e aprende a "força" que as conecta.

O Que Eles Provaram (e o Que Não Provaram)

Os pesquisadores não apenas adivinharam que isso funcionaria; eles testaram com simulações e dados reais.

O Teste do "Grande Giro": Eles simularam um corpo rígido girando. Quando usaram o antigo método de ângulos de Euler, o modelo falhou miseravelmente conforme o giro aumentava, produzindo caminhos irregulares e errados. Quando usaram o novo método de grupo de Lie, o modelo permaneceu preciso mesmo para giros enormes de 360 graus. O erro permaneceu baixo e constante, enquanto o erro do método antigo explodiu.
O Teste de "Longa Duração": Eles tentaram prever o futuro de um objeto girando por 500 passos (muito mais longo do que os dados de treinamento). O novo método permaneceu na "esfera" (a forma matemática correta) o tempo todo. Os métodos antigos, mesmo começando corretamente, derivaram lentamente para fora da esfera, tornando-se fisicamente impossíveis (como uma matriz de rotação que não é mais um quadrado perfeito).
O Teste da "Cambalhota Humana": Eles pegaram dados reais de um ser humano fazendo uma cambalhota (gravados a 120 Hz). Este é um sistema complexo com muitas partes móveis (um "sistema multibody"). Eles treinaram o modelo com apenas duas gravações da mesma pessoa realizando o mesmo movimento. O modelo aprendeu a reproduzir o movimento com alta fidelidade. O erro em sua previsão foi, na verdade, menor do que a diferença natural entre as duas gravações reais (significando que o modelo foi tão bom quanto a própria consistência do humano).
O Teste do "Controlador Secreto": Em um experimento, eles conheciam a física do robô (seu peso e forma), mas não conheciam o "cérebro" (o sinal de controle) que diz a ele o que fazer. Eles alimentaram o modelo apenas com os dados de posição. O modelo conseguiu descobrir o sinal de controle oculto, provando que pode separar o "corpo" do "cérebro".

A Conclusão

O artigo sugere que, ao respeitar a geometria curva da rotação (usando grupos de Lie) e usar um livro de regras de física discreto e passo a passo, podemos construir modelos de aprendizado que são:

Mais precisos para grandes rotações.
Mais estáveis ao longo de longos períodos (eles não derivam).
Capazes de aprender apenas com dados de posição, ignorando as medições ruidosas de velocidade.

Eles não alegaram que isso resolve todos os problemas da robótica, mas mostraram que, para sistemas que giram e se movem como corpos rígidos (drones, robôs, membros humanos), esta abordagem é significativamente melhor do que os métodos "planos" padrão. É uma maneira de ensinar computadores a entender o mundo como ele realmente é: curvo, conectado e contínuo.

Resumo Técnico: Aprendizado de Dinâmica de Multicorpos Forçada em Grupos de Lie

Definição do Problema
O aprendizado de sistemas dinâmicos a partir de dados observacionais frequentemente envolve estados que evoluem em espaços de configuração não lineares, como o grupo de rotação $SO(3)$ ou o grupo euclidiano especial $SE(3)$. As abordagens existentes frequentemente modelam esses sistemas em embeddings euclidianos (por exemplo, ângulos de Euler ou coordenadas generalizadas), o que introduz singularidades de coordenadas (como o travamento de gimbal/gimbal lock), descontinuidades e ambiguidades de representação. Além disso, os métodos de aprendizado padrão frequentemente requerem dados de velocidade, que podem estar indisponíveis, serem ruidosos ou difíceis de obter a partir de medições de posição discretas. Ademais, modelos que não respeitam inerentemente a estrutura de variedade do espaço de configuração podem sofrer de deriva geométrica, onde trajetórias previstas violam restrições físicas (por exemplo, a ortogonalidade de matrizes de rotação) ao longo do tempo.

Metodologia
O artigo propõe a LieDFLNN (Lie Group Discrete Forced Euler-Lagrange Neural Network), uma arquitetura que aprende a dinâmica de sistemas mecânicos diretamente em grupos de Lie usando apenas dados de posição. A metodologia é fundamentada na mecânica variacional discreta:

Equações de Euler-Lagrange Forçadas Discretas: O núcleo da abordagem utiliza as equações de Euler-Lagrange forçadas discretas em grupos de Lie. Em vez de aproximar derivadas de tempo contínuo, o método formula a dinâmica usando Lagrangianos discretos $L_d: G \times G \to \mathbb{R}$ e forças externas discretas. Esta formulação baseia-se exclusivamente em pares de configurações consecutivas $(g_k, g_{k+1})$ e seus incrementos de grupo $W_k = g_k^{-1}g_{k+1}$ , eliminando a necessidade de medições explícitas de velocidade.
Trivialização: As equações são expressas usando trivialização à esquerda, mapeando o fibrado tangente $TG$ para $G \times \mathfrak{g}$ (onde $\mathfrak{g}$ é a álgebra de Lie). Isso permite que a dinâmica seja computada inteiramente em termos de elementos de grupo e elementos de álgebra, preservando a estrutura geométrica.
Parametrização Neural: O Lagrangiano discreto e as forças externas são parametrizados por redes neurais ( $L_\theta$ $L_{θ}$ e $F_\theta$ $F_{θ}$ ). A arquitetura suporta:
- Corpos Rígidos: Formulações específicas para $SO(3) $e$ SE(3)$, incluindo matrizes de inércia e energias potenciais.
- Sistemas de Multicorpos: Extensão para variedades de produto (ex: $SE(3) \times SO(3)^{N}$ ) para modelar sistemas articulados como esqueletos humanos.
- Entradas de Controle: O framework pode incorporar leis de controle desconhecidas (ex: controladores de feedback) como parte do termo de força externa.
Regularização: Para evitar soluções degeneradas (ex: Lagrangianos constantes), um termo de regularização é adicionado à função de perda. Este termo impõe a regularidade do Lagrangiano discreto ao penalizar Hessianas que se aproximam da singularidade, garantindo que o sistema permaneça bem posto.
Inferência: A predição é realizada resolvendo iterativamente as equações de Euler-Lagrange forçadas discretas para os incrementos de grupo, garantindo que a trajetória gerada permaneça estritamente na variedade de configuração sem etapas de projeção ad hoc.

Principais Contribuições

Aprendizado Consistente com a Variedade: O método opera diretamente sobre observações de valor de grupo, garantindo que os estados aprendidos permaneçam na variedade de configuração (ex: $SO(n)$, $SE(n)$), evitando assim a deriva geométrica e a necessidade de re-ortogonalização.
Dinâmica Livre de Velocidade: Ao utilizar a formulação variacional discreta, a abordagem recupera a estrutura física a partir de medições de posição isoladas, evitando o ruído e a complexidade associados à diferenciação numérica.
Modularidade e Flexibilidade: O framework é modular, capaz de aprender a dinâmica completa (Lagrangiano e forças) de forma conjunta ou isolar componentes específicos (ex: identificar leis de controle desconhecidas quando as propriedades mecânicas são conhecidas).
Generalização para Sistemas de Multicorpos: A abordagem estende-se naturalmente para sistemas de multicorpos complexos com interações acopladas, lidando com variedades de produto de $SO(3) $e$ SE(3)$.

Resultados Experimentais
Os autores validam a abordagem através de cinco configurações experimentais:

Representação de Coordenadas: Em $SO(3)$, a LieDFLNN supera significativamente os baselines baseados em ângulos de Euler, particularmente para grandes rotações onde os ângulos de Euler sofrem com singularidades e descontinuidades. A representação de grupo de Lie mantém trajetórias suaves e de baixo erro em todas as magnitudes de rotação.
Discreto vs. Contínuo: A formulação variacional discreta demonstra eficiência de dados e precisão superiores em comparação com baselines de tempo contínuo (incluindo aqueles que utilizam integradores de grupo de Lie). O modelo discreto alcança alta precisão mesmo com janelas de treinamento muito curtas (3 poses consecutivas), enquanto modelos contínuos requerem trajetórias mais longas para melhorar e ainda apresentam desempenho inferior.
Restrições de Variedade: Quando aplicada ao $SE(3)$, o modelo proposto mantém a consistência geométrica (ortogonalidade e determinante unitário) por construção. Em contraste, os baselines que tratam as entradas de matriz como coordenadas euclidianas independentes (mesmo aqueles com estruturas variacionais) acumulam deriva e violam restrições físicas ao longo de longos períodos de execução (rollouts).
Sistemas de Multicorpos do Mundo Real: Aplicado a dados de captura de movimento humano de uma cambalhota (uma variedade de produto de $SE(3) $e$ SO(3)$), o modelo reproduz com sucesso dinâmicas acopladas complexas e de alta dimensão com grandes rotações. Os erros de predição permanecem abaixo da variabilidade inerente entre gravações de verdade fundamental repetidas.
Identificação de Controle: Em um cenário onde o Lagrangiano é conhecido, o framework identifica com sucesso um torque de controle PD desconhecido a partir de uma única trajetória de dados de posição, recuperando com precisão o sinal de controle e estabilizando o sistema.

Significância e Alegações
O artigo alega que a incorporação da estrutura geométrica dos grupos de Lie diretamente no integrador variacional elimina as singularidades de coordenadas e a deriva geométrica comuns em baselines euclidianos. Os autores afirmam que a estrutura variacional discreta é a chave para aprender efetivamente a partir de observações discretas, pois permite que o modelo extraia o máximo de informação dinâmica de um contexto temporal mínimo. O framework é apresentado como uma ferramenta robusta para identificação de sistemas em cenários onde dados de velocidade estão indisponíveis ou não são confiáveis, oferecendo melhor consistência física, generalização e precisão preditiva de longo prazo, particularmente para sistemas que envolvem grandes rotações ou interações complexas de multicorpos. O trabalho alinha-se ao esforço mais amplo de aprendizado profundo geométrico para incorporar estruturas de grupo e variedade em algoritmos de aprendizado, focando especificamente em sistemas mecânicos via formulações variacionais discretas.

O Problema: A Armadilha do "Gimbal Lock"

A Solução: Dançando em uma Esfera

O Truque de Mestre: Aprendendo Sem Velocidade

O Que Eles Provaram (e o Que Não Provaram)

A Conclusão

Mais como este