💻 computer science

Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics

本文提出了一种保持结构的残差学习框架，该框架将欧拉-拉格朗日动力学分解为受机械约束的惯性与科里奥利修正，以及一个稀疏且在线自适应的潜在交互模型，从而在保持物理一致性的同时，增强了机器人在多变工况下的预测精度与轨迹跟踪能力。

原作者： Rishabh Dev Yadav, Samaksh Ujjawal, Sihao Sun, Spandan Roy, Wei Pan

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Rishabh Dev Yadav, Samaksh Ujjawal, Sihao Sun, Spandan Roy, Wei Pan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机器人如何搬运一个重箱子。你首先给机器人一本完美的教科书手册（“名义模型”），解释了物理学应该是如何运作的。但在现实世界中，情况会变得很混乱。箱子可能比预期的要重，轮子可能会发出吱吱声，或者一阵风可能会把机器人吹歪。这本教科书手册并不知道这些现实世界的故障，所以机器人开始犯错。

这篇论文提出了一种新的方法，教机器人如何在不丢弃教科书的前提下修正自己的错误。

问题所在：“黑盒”修正法

目前大多数方法试图通过添加一个“黑盒”修正来修复机器人的错误。想象一下机器人正在开车，教科书说：“将方向盘转动10度。”但车一直在漂移。一个标准的AI修正器可能只会说：“好吧，我会给方向盘加一个随机的‘魔法推力’来让它正常工作。”

虽然这在短时间内可能有效，但这是危险的。它忽略了实际的物理定律。如果车很重，这个“魔法推力”可能太弱；如果路面很滑，它可能又太强。因为这种“魔法推力”并不理解重量、速度和摩擦力是如何相互关联的，所以当环境变化时，机器人会变得不稳定或不可预测。

解决方案：“聪明机械师”法

本文作者建议了一种更聪明的策略。与其使用一个巨大的“魔法推力”，不如像熟练的机械师诊断汽车一样，将问题分解为三个特定部分：

沉重的部分（惯性）： 机器人是否携带了比预期更重的负载？这会改变启动或停止运动所需的力度。
摆动的部分（科里奥利力）： 当机器人快速移动并转向时，部件会相互绕转。这是一个取决于“沉重部分”的特定物理效应。
外部推力（广义力）： 是否有风、摩擦力或突然的颠簸？这些是外部力量，它们不会改变机器人的内部重量，但会将机器人推离航道。

它是如何运作的：三步配方

1. 保持物理真实性（结构保持）
机器人的“大脑”被教导通过严格遵循物理定律来修正前两个部分（沉重和摆动）。它学习到：“如果我在这里增加重量，我也必须相应地调整那里的摆动。”这确保了机器人永远不会学到一个破坏物理定律的“魔法推力”。它保持了内部机械结构的完整性。

2. 使用“稀疏”记忆（选择性关注）
机器人有很多历史数据（过去几秒钟内发生的事情）。作者发现，在任何给定时刻，大部分历史数据其实并不重要。

类比： 想象你在交通中驾驶。你主要关注正前方的车和红绿灯。你并不会不断地去思考三条车道外车辆的颜色或下一个城镇的天气。
机器人使用一个“稀疏”滤波器来忽略噪声，只关注当前真正引起问题的少数“活跃”交互。这使得机器人更快、更高效。

3. 针对未知的“快速修正”（选择性在线自适应）
这是核心秘诀。

机器人锁定其对“沉重部分”和“摆动部分”的理解（因为这些是基于扎实物理学的）。
它保持“外部推力”部分的开启状态。
当机器人移动时，它不断检查：“我是被风吹了吗？还是电池变弱了？”它使用一种叫做贝叶斯线性回归（可以理解为一个非常聪明、即时的计算器）的数学技巧，实时仅更新“外部推力”这一部分。

为什么这种方法更好

论文在五种不同类型的机器人上测试了这种方法：地面机器人、机械臂、无人机、带有移动底座的机器人，以及带有机械臂的飞行机器人。

结果： 与旧方法相比，这种新方法能更准确地预测机器人的运动。
追踪能力： 当被要求跟随复杂的路径（如“8”字形）时，即使在条件发生变化（如携带了不同的重量）时，使用该方法的机器人也能更好地保持在路径上。
效率： 因为它只更新微小的“外部推力”部分并忽略其余部分，所以它学习得更快，且完成新任务所需的数据更少。

核心结论

将这种方法看作是教机器人成为一名精通物理的机械师，而不是一个靠魔法猜测的人。

它尊重交通规则（物理学）。
它专注于当前真正重要的事物（稀疏性）。
它能快速应对路面的突然颠簸（选择性自适应）。

通过将“永久性的机械变化”与“临时性的干扰”区分开来，即使在现实世界变得混乱时，机器人也能保持稳定、准确和安全。

技术摘要：面向 Euler–Lagrange 机器人动力学的物理感知稀疏学习与选择性在线自适应

1. 问题陈述

准确的动力学模型是基于模型的机器人控制的基础，通常依赖于 Euler–Lagrange (EL) 公式。然而，由于未建模效应（如负载变化、系统内耦合、摩擦、空气阻力以及变化的运行条件），标称 EL 模型在现实场景中往往会失效。

现有的基于学习的修正方法通常通过在标称模型中引入单一的加性残差项来解决这一问题。虽然这些方法在降低预测误差方面有效，但它们通常将失配视为一种非结构化的黑盒函数。这忽略了 EL 系统内部的机械结构，违反了关键的物理特性，例如对称性、惯性矩阵的正定性，以及惯性与速度相关项（科里奥利/离心项）之间的特定耦合关系。因此，此类模型可能会产生物理上不一致的预测，并在嵌入控制器时降低可靠性。

此外，现实世界的系统表现出随时间变化的耦合特性，其中许多状态交互作用保持较弱，这表明残差动力学具有部分稀疏性。现有方法往往无法利用这种稀疏性，也无法在不产生高计算成本或数据低效的情况下，高效地适应非平稳条件。核心挑战在于开发一种既能保留 EL 系统结构化机械形式，又能实现对变化扰动进行紧凑、选择性在线自适应的学习框架。

2. 方法论

作者提出了一种结构保留残差学习框架，该框架将模型失配分解为不同的组成部分，将机械耦合项与扰动敏感力分离。该方法由四个主要阶段组成：

A. 结构化残差分解

模型并非学习单一的加性残差 $\delta$ ，而是根据 EL 方程将修正分解为三个部分：
$\delta_t = \Delta M_t \ddot{\chi}_t + \Delta C_t \dot{\chi}_t + \Delta f_t$

惯性修正 ( $\Delta M$ )： 对惯性矩阵的结构化修正。
诱导科里奥利项 ( $\Delta C$ )： 直接从修正后的惯性推导而来，以保持反对称性质 ( $\dot{M} - 2C$ )。
广义力残差 ( $\Delta f$ )： 捕捉非保守力（摩擦、阻力、外部扰动）。

B. 稀疏潜在交互建模

为了处理依赖历史的动力学并利用稀疏性，系统使用时间卷积网络将有限的历史观测窗口 ( $H_t$ ) 编码为潜在表示 $\tilde{z}_t$ 。随后，该表示通过软阈值处理（一种稀疏编码机制）被拆分为两个分支：

结构分支 ( $z^M_t$ )： 驱动惯性修正的稀疏代码。
自适应分支 ( $z^f_t$ )： 驱动广义力修正的稀疏代码。

这确保了在任何给定时刻，仅利用一小部分“活跃”的交互模式，从而促进了模型的简约性。

C. 物理约束与参数化

惯性矩阵： 修正后的惯性 $\hat{M}$ 被参数化为标称惯性与学习到的修正项之和。该修正项被构建为一个低秩项加上一个严格正定的对角项（使用 softplus 激活函数），通过构造保证 $\hat{M}$ 始终保持对称正定 (SPD)。
科里奥利矩阵： 修正后的科里奥利矩阵 $\hat{C}$ 不是独立学习的，而是利用学习到的惯性 $\hat{M}$ 通过克里斯托费尔符号 (Christoffel symbols) 进行解析推导。这强化了惯性与速度项之间的机械耦合。
广义力： 被建模为稀疏自适应潜在代码的线性函数 ( $\Delta f = \Theta z^f_t$ )。

D. 选择性在线自适应

为了应对随时间变化的条件（例如负载变化），该框架采用了选择性在线自适应：

机械结构化组件 ( $\Delta M$ 和 $\Delta C$ ) 在离线训练后保持固定。
仅在线更新广义力解码器 ( $\Theta$ )。
更新是在由 $z^f_t$ 的非零元素定义的活跃潜在子空间内，使用贝叶斯线性回归完成的。这使得系统能够快速、高效地适应扰动，而无需重新训练整个模型或违反已学习的机械结构。

3. 核心贡献

本文强调了三个主要贡献：

结构保留残差分解： 通过显式分离惯性修正、诱导科里奥利项和广达义力，提出了 EL 系统的残差学习公式。这保留了关键的机械特性（对称性、正定性），而不是将所有差异吸收进通用的黑盒项中。
简约的依赖历史交互建模： 引入了一种稀疏潜在表示，用于捕捉有限数量的活跃交互模式。这实现了对结构化机械失配和扰动效应的紧凑建模，利用了许多状态交互始终较弱这一观察结果。
选择性贝叶斯在线自适应： 开发了一种自适应机制，仅在活跃潜在子空间内更新对扰动敏感的广义力组件。这在保持学习到的机械结构完整性的同时，确保了对非平稳动力学的响应能力。

4. 实验结果

该方法在五个机器人平台上进行了评估：差速移动机器人、6 自由度机械臂、四旋翼无人机、移动机械臂以及空中操作机械臂。实验涉及在不同负载和运行条件下追踪复杂的“8”字形轨迹。

预测精度： 与包括稀疏系统辨识 (SysID)、物理启发式 TCN (PI-TCN) 和深度模型参考自适应控制 (DMRAC) 在内的基准方法相比，所提方法实现了最低的归一化预测误差。基准方法在处理移动和空中操作机械臂的配置相关耦合时表现不佳，而结构化方法表现优异。
轨迹跟踪： 在使用计算转矩控制器的闭环控制中，该方法展现了卓越的跟踪性能（最低的 RMSE），优于离线深度学习模型 (DNN, Diffusion)、元学习方法和主动 MLP。结果表明，结合结构化建模与递归、不确定性感知更新对于在非平稳动力学下实现鲁棒跟踪至关重要。
消融研究：
- 稀疏性： 中等程度的稀疏水平在表达能力与鲁棒性之间达到了最佳平衡，提高了在低数据量下的数据效率，并实现了更快的收敛。
- 自适应： 与密集模型相比，稀疏模型在瞬态扰动（如负载掉落）后的误差恢复和收敛平滑度更高。活跃潜在维度在瞬态期间动态增加，并在常态下返回至标称水平，展示了自适应复杂度。

5. 重要性与主张

本文认为，准确的现实世界模型控制不仅需要降低预测误差，更需要物理一致性和选择性自适应能力。

物理一致性： 通过保留 EL 结构（SPD 惯性、耦合的科里奥利项），模型保持了可解释性和可靠性，避免了非结构化黑盒修正可能导致的控制不稳定问题。
效率与鲁棒性： 结合稀疏潜在表示和选择性在线自适应，使系统能够高效处理随时间变化的条件。它避免了全模型重训的计算负担以及大规模参数集自适应带来的数据低效问题。
实际部署： 该框架设计用于在嵌入式硬件（NVIDIA Jetson Orin NX）上实时部署，证明了结构化残差学习可以有效地集成到多样化机器人的基于模型的控制器中。

作者总结道，尽管其方法显著提升了性能，但仍存在一个局限性：机械结构化组件在部署期间是固定的。他们建议未来的工作应研究如何针对涉及极大或持续变化的惯性属性场景，进行结构化机械项的联合自适应。