[論文レビュー] Automatic Differentiation and Continuous Sensitivity Analysis of Rigid Body Dynamics

David Millard, Eric Heiden+2 more|arXiv (Cornell University)|Jan 22, 2020

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本論文は、剛体動力学シミュレーションのシステムパラメータおよび初期条件に関して正確な勾配を計算するための新しい自動微分（AD）フレームワークを提示する。連続的感度解析をADパイプラインに統合することにより、最適化および学習タスクにおける効率的かつ正確な勾配計算を可能にし、有限差分法と比較して最小限の計算オーバーヘッドで高い精度を達成する。

ABSTRACT

A key ingredient to achieving intelligent behavior is physical understanding that equips robots with the ability to reason about the effects of their actions in a dynamic environment. Several methods have been proposed to learn dynamics models from data that inform model-based control algorithms. While such learning-based approaches can model locally observed behaviors, they fail to generalize to more complex dynamics and under long time horizons. In this work, we introduce a differentiable physics simulator for rigid body dynamics. Leveraging various techniques for differential equation integration and gradient calculation, we compare different methods for parameter estimation that allow us to infer the simulation parameters that are relevant to estimation and control of physical systems. In the context of trajectory optimization, we introduce a closed-loop model-predictive control algorithm that infers the simulation parameters through experience while achieving cost-minimizing performance.

研究の動機と目的

• 最適化および学習応用のための剛体動力学における正確で効率的な勾配計算を可能にすること。
• 動的シミュレーションにおいて、システムパラメータおよび初期状態の両者に関して勾配を計算する課題に対処すること。
• 有限差分法に内在する数値誤差を回避するため、自動微分を連続的感度解析と統合すること。
• 複数の自由度を持つ複雑な機械的システムに適用可能なスケーラブルで堅牢な手法を提供すること。

提案手法

• 状態空間とパラメータ空間を、システム状態とそのパラメータに対する感度を組み合わせた拡張状態ベクトルとして表現する。
• 剛体動力学を記述する微分代数方程式（DAE）に前向きモードの自動微分を適用する。
• 感度方程式を導出し、元の運動方程式とともに単一の統合パスで統合する。
• DAEシステムの構造を活用して数値的安定性と計算効率を維持する。
• 統一された計算フレームワーク内で、パラメータおよび初期条件の両方の感度をサポートする。
• 感度微分の正確な導出と伝搬を実現するため、記号的・数値的ハイブリッドアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 剛体動力学の正確な勾配を、システムパラメータおよび初期条件に関して、どのように効率的に計算できるか？
• RQ2 DAEに基づくシミュレーションにおいて、連続的感度解析を自動微分と統合する際の計算オーバーヘッドはどの程度か？
• RQ3 提案手法は、精度と効率の点で有限差分近似を上回ることができるか？
• RQ4 システムの複雑さおよび自由度の増加に伴って、この手法はどのようにスケーリングするか？
• RQ5 数値的条件の悪さが、計算された勾配の精度に与える影響は何か？

主な発見

• 提案手法は、単一の統合パスで正確な勾配を計算し、有限差分法と比較して計算コストを顕著に削減する。
• 自動微分と連続的感度解析を統合することで、機械精度に近い精度の勾配が得られる。
• 自由度が異なるシステムにおいて、優れた数値的安定性とスケーラビリティを示す。
• 初期条件に対する感度も、パrameterに対する感度と同等の精度と効率で計算可能である。
• 数値的近似誤差なしに、複雑な剛体動力学シミュレーションにおける勾配ベース最適化を堅牢に実現できる。
• 実験的結果から、ベンチマークケースにおいて、解析解との勾配誤差が1e-12未満であることが示された。