[論文レビュー] Learning Articulated Rigid Body Dynamics with Lagrangian Graph Neural Network

Ravinder Bhattoo, Sayan Ranu+1 more|arXiv (Cornell University)|Sep 23, 2022

Model Reduction and Neural Networks被引用数 16

ひとこと要約

本論文は、システムのトポロジーをグラフ構造にエンコードすることで、Euler-Lagrange方程式を用いたエンドツーエンド微分可能なシミュレーションを可能にするラグランジュ型グラフニューラルネットワーク（LGNN）を提案する。LGNNは、システムサイズやトポロジーにわたる一般化を実現し、4セグメントの鎖で学習したモデルが、より長い鎖、複雑なラーメン構造、およびテンスグリティのようなハイブリッド系まで正確にシミュレート可能である。また、物理的トポロジーに整合した非対角質量行列を学習する。

ABSTRACT

Lagrangian and Hamiltonian neural networks (LNNs and HNNs, respectively) encode strong inductive biases that allow them to outperform other models of physical systems significantly. However, these models have, thus far, mostly been limited to simple systems such as pendulums and springs or a single rigid body such as a gyroscope or a rigid rotor. Here, we present a Lagrangian graph neural network (LGNN) that can learn the dynamics of articulated rigid bodies by exploiting their topology. We demonstrate the performance of LGNN by learning the dynamics of ropes, chains, and trusses with the bars modeled as rigid bodies. LGNN also exhibits generalizability -- LGNN trained on chains with a few segments exhibits generalizability to simulate a chain with large number of links and arbitrary link length. We also show that the LGNN can simulate unseen hybrid systems including bars and chains, on which they have not been trained on. Specifically, we show that the LGNN can be used to model the dynamics of complex real-world structures such as the stability of tensegrity structures. Finally, we discuss the non-diagonal nature of the mass matrix and its ability to generalize in complex systems.

研究の動機と目的

• 固定されたシステムサイズやトポロジーを仮定せずに、軌道データから剛体運動を学習する微分可能で、インダクティブバイアスに配慮したモデルの開発。
• 従来のラグランジュ型およびハミルトニアン型ニューラルネットワークが従属的であり、システム構成にわたる一般化に失敗するという限界を克服すること。
• 各剛体を6自由度（3次元並進 + 3次元回転）として扱い、その運動学的および力学的構造をグラフベースのアーキテクチャにエンコードすることで、アーティキュレーテッド剛体をモデル化すること。
• 未学習のシステムトポロジー、特に棒と鎖のハイブリッド系や、テンスグリティのような複雑な現実世界の構造を含む、ゼロショット一般化を可能にすること。
• 複雑なシステムにおける学習済み質量行列の構造を調査し、対角行列や事前定義された形式を仮定せずに物理的整合性を保っているかを検証すること。

提案手法

• 剛体をノード、キネマティック制約（例：ジョイント）をエッジとするグラフとして表現する。
• ノードおよびエッジ特徴量から運動エネルギーとポテンシャルエネルギーの項を分離して計算する、メッセージパッシングを備えたグラフニューラルネットワーク（GNN）を設計する。
• GNNが予測したエネルギー成分を用いて、システムのラグランジアン $\mathcal{L} = \mathcal{T} - \mathcal{V}$ を構築し、微分可能を保持する。
• 時間微分を計算し、運動をシミュレートするために、Euler-Lagrange方程式 $ \frac{d}{dt} \left( \frac{\partial \mathcal{L}}{\partial \dot{q}} \right) - \frac{\partial \mathcal{L}}{\partial q} = 0 $ を適用する。
• 時間軸に沿ったバックプロパゲーションを用い、状態変数 $ (q, \dot{q}) $ における軌道予測誤差を最小化することで、LGNNを訓練する。
• 質量行列 $ M = \partial^2 \mathcal{L} / \partial \dot{q}^2 $ をラグランジアンから直接学習することで、非対角でトポロジーに依存する表現を可能にする。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークアーキテクチャは、任意のトポロジーとシステムサイズを持つアーティキュレーテッド剛体のラグランジアンを学習できるか？
• RQ2 LGNNは、学習データとは異なるサイズやトポロジー（例：より長い鎖、ハイブリッドなバー・鎖系）のシステムに対し、ゼロショットで一般化できるか？
• RQ3 LGNNが学習した質量行列は、複雑なシステムの物理的トポロジーをどのように反映しており、対角構造の仮定を避けていられるか？
• RQ4 LGNNは、明示的な再訓練なしに、テンスグリティのような複雑な現実世界の構造をシミュレートできるか？
• RQ5 グラフベースのインダクティブバイアスは、学習された運動の一般化性およびエネルギー保存にどのような影響を及えるか？

主な発見

• LGNNは16ノードの鎖および複雑なラーメン構造（T1）の両方で、エネルギー違反（約$10^{-4}$）とロールアウト誤差が低く、誤差が速やかに安定化する。
• 4セグメントの鎖で学習したLGNNは、最大16セグメントの鎖および任意のリンク長を有する鎖に対し、サイズ一般化を実現する。
• トレーニング時に見未曾るハイブリッド系（例：鎖とバーの組み合わせ）を含む、テンスグリティ構造まで正確にシミュレートでき、トポロジーにわたるゼロショット一般化を達成する。
• 学習済み質量行列は非対角的であり、システムのトポロジーに従って構造化されており、鎖ではバンド行列、T1では複雑な構造を示し、物理的整合性を確認する。
• 質量行列は $ M = \partial^2 \mathcal{L} / \partial \dot{q}^2 $ を用いてラグランジアンから直接計算されており、事前の仮定なしに複雑なシステムにおける正確な運動を実現する。
• エネルギー保存性および軌道精度において、標準的なGNNよりもLGNNが優れている。GNNの誤差は1.0で飽和するが、LGNNの誤差は$10^{-4}$の周辺を維持する。