[論文レビュー] Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems

Muhammad Asif Rana, Anqi Li+4 more|arXiv (Cornell University)|May 27, 2020

Robot Manipulation and Learning参考文献 24被引用数 16

ひとこと要約

本論文は、潜在ユークリッド空間における単純で安定した力学系の微分同相変換としてモデル化することで、少数の人の動作のデモから安定的で滑らかで目的に向かうロボット運動を学習する方法、SDS-EFを提案する。柔軟でパラメータ化された微分同相写像（正規化フローにインspired）を合成することにより、グローバル漸近的安定性と一般化を保証し、最小限のハイパーパrameterチューニングで、合成的な筆算と実ロボットタスクの両方で高精度な運動再現を達成する。

ABSTRACT

Robotic tasks often require motions with complex geometric structures. We present an approach to learn such motions from a limited number of human demonstrations by exploiting the regularity properties of human motions e.g. stability, smoothness, and boundedness. The complex motions are encoded as rollouts of a stable dynamical system, which, under a change of coordinates defined by a diffeomorphism, is equivalent to a simple, hand-specified dynamical system. As an immediate result of using diffeomorphisms, the stability property of the hand-specified dynamical system directly carry over to the learned dynamical system. Inspired by recent works in density estimation, we propose to represent the diffeomorphism as a composition of simple parameterized diffeomorphisms. Additional structure is imposed to provide guarantees on the smoothness of the generated motions. The efficacy of this approach is demonstrated through validation on an established benchmark as well demonstrations collected on a real-world robotic system.

研究の動機と目的

• ロボットシステムにおいて、限られた人の動作デモから安定的で滑らかで目的に向かう運動を学習すること。
• 単純で安定した力学系が支配する潜在ユークリッド空間に埋め込むことで、学習された力学系の本質的安定性を保証すること。
• 人の運動の滑らかさ、有界性、目的への収束といった規則性の性質を活用することで、サンプル効率と一般化を向上させること。
• 複雑な曲がった軌道をモデル化しつつも安定性と滑らかさを維持できる、柔軟で表現力のある微分同相写像のクラスを開発すること。
• ベンチマークデータセットおよび実世界のロボットタスクにおいて、本手法を検証し、正確な運動再現性とロバスト性を示すこと。

提案手法

• 本手法は、潜在ユークリッド空間における単純な勾配降下フローと微分同相的に同等である安定な力学系の軌道として、人のデモをモデル化する。
• ランダムフォーリエ特徴を用いたK個のカップリング層の合成として微分同相写像を表現し、表現力があり滑らかで逆写像可能な変換を実現する。
• 潜在力学系はポテンシャル関数における自然勾配降下によって定義され、潜在空間におけるグローバル漸近的安定性を保証する。
• 微分同相写像は、軌道再構成誤差に基づく損失関数を用いてエンドツーエンドで学習され、滑らかさと可逆性を維持する正則化が施される。
• バックプロパゲーションを効率的に行うために、自動微分（例：PyTorch）を微分同相写像および力学系コンponentsに活用する。
• 安定性は構成上保証される。潜在系が安定であり、微分同相写像が位相的構造を保存するためである。

実験結果

リサーチクエスチョン

• RQ1 潜在空間における単純で安定な力学系の微分同相変換が、少数のデモから複雑で曲がった目的指向の人の運動を効果的にモデル化できるか？
• RQ2 滑らかさ、可逆性、安定性を保証するように、柔軟でパラメータ化された微分同相写像をどのように構築できるか？
• RQ3 本手法は、最小限のハイパーパrameterチューニングで、未観測の運動やタスクにどの程度一般化できるか？
• RQ4 リャプノフ関数や収縮計量を明示的に強制する従来手法と比較して、再構成精度と安定性において本手法はどのように差をつけるか？
• RQ5 本手法は、実世界のロボットアームを用いた複雑な3次元運動を正確に再現できるか？

主な発見

• LASA筆算データセットでは、中央値RMSEが1.8 mm、平均DTWDが2.1 mm、FDが2.3 mmを達成し、高精度な運動再現を示した。
• SDS-EFで学習されたベクトル場は、デモされた軌道とよく一致しており、再現軌道は滑らかに目的領域に収束した。
• 状態空間全体にわたり良好な一般化が達成され、直接デモされていない領域でも滑らかで安定した運動が生成された。
• ドア到達およびドアーラック閉じるという実ロボットタスクにおいて、再現された運動（赤）はデモされた軌道（青）を最小限のずれで忠実に再現した。
• 自己交差を示すデモでは、誤差がやや高くなる外れ値が観測されたが、これは1階微分力学系でモデル化する際に inherently 困難な性質であるためである。
• 本手法は、すべての実験で固定された設定で動作し、最小限のハイパーパrameterチューニングで済んだ。これにより、強力な一般化性とロバスト性が示された。