[論文レビュー] Learning Data-Efficient Rigid-Body Contact Models: Case Study of Planar Impact

Nima Fazeli, Samuel Zapolsky+2 more|arXiv (Cornell University)|Oct 16, 2017

Robot Manipulation and Learning被引用数 10

ひとこと要約

本稿では、物理的制約を組み込んだデータ駆動型補正を統合することで、平面衝突における剛体接触モデルの性能を向上させるデータ効率の良い学習フレームワークを提案する。ガウス過程を用いて解析的モデルを精緻化するか、最適パラメータを学習することで、わずか300サンプルの学習データのみで、従来のモデルを上回る予測精度を達成しており、理論的限界をも凌駕する。

ABSTRACT

In this paper we demonstrate the limitations of common rigid-body contact models used in the robotics community by comparing them to a collection of data-driven and data-reinforced models that exploit underlying structure inspired by the rigid contact paradigm. We evaluate and compare the analytical and data-driven contact models on an empirical planar impact data-set, and show that the learned models are able to outperform their analytical counterparts with a small training set.

研究の動機と目的

• ロボット工学における標準的な剛体接触モデルの実験的検証の不足と性能限界を解決すること。
• 実世界の衝突データに適用した際の解析的接触モデルの一般化性能の低さと不正確さを克服すること。
• 物理的整合性を保ちながら、データによって予測精度を向上させるデータ効率の良い学習手法を開発すること。
• 強い事前知識を持つデータ強化モデルが、低データ環境下で純粋にデータ駆動の代替手法を上回るかどうかを調査すること。
• 物理的構造（例：瞬間的力の合力）を組み込んだモデルが、剛体モデルの理論的限界を超える可能性があるかどうかを実証すること。

提案手法

• 2つのデータ効率の良い学習パラダイムを提案する：(1) ガウス過程を用いて解析的インパルスベースモデルを補正するデータ強化接触モデル、(2) データ駆動最適化による最適モデルパラメータの学習。
• 質量、慣性モーメント、接触点、衝突前の速度といった物理的量から導かれる5次元の特徴空間（$\mathcal{X}_5$）を用い、次元を10次元から低次元化する。
• ガウス過程を用いてインパルス予測の残差をモデル化し、解析的モデルに対する不確実性を伴う補正を可能にする。
• エネルギー楕円体と有効慣性（$\mathbf{M}_c$）を用いた制約付き最適化問題として接触インパルス予測を定式化し、物理的整合性を保証する。
• 瞬間的力の合力（$\mathcal{Y}_2$）を拡張された特徴として用いることで、モデルが剛体仮定から逸脱でき、表現力が向上する。
• 実世界の平面衝突データセットを用いてモデルを学習し、解析的モデルおよび理論的限界（IRB Bound）と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 物理的事前知識を組み込んだデータ駆動型モデルが、実際の衝突データにおいて標準的な解析的剛体接触モデルを上回るか？
• RQ2 瞬間的力の合力特徴を組み込むことで、従来の線形インパルス仮定を越えてモデルの表現力がどのように向上するか？
• RQ3 低サンプル環境下において、データ強化モデルと純粋にデータ駆動のモデルの間で、データ効率にどのような差が生じるか？
• RQ4 データ駆動型モデルが、剛体接触モデルの理論的性能限界をどの程度超えることができるか？
• RQ5 強い事前知識を持つデータ強化モデルは、純粋にデータ駆動のモデルと比較して、収束性と一般化性能にどのような影響を及えるか？

主な発見

• ガウス過程を用いて解析的インパルスモデルを補正するデータ強化接触モデルは、最良の解析的モデル（Best Post Hoc）を著しく上回り、理論的IRB限界に近づく。
• 瞬間的力の合力特徴を用いた最良のデータ駆動型モデルは、IRB限界を大幅に上回っており、剛体仮定の緩和が精度向上に寄与することを示している。
• データ駆動型モデルは約300件の学習サンプルで最適性能に収束するが、データ強化モデルは約100件のサンプルで十分であり、標準的なモデルパラメータ同定に必要なデータ量の2倍少ない。
• 力の合力を含むより豊富な$\mathcal{X}_1$特徴空間を用いたモデルは、$\mathcal{X}_2$を用いたモデルよりも優れた性能を示しており、強化された物理的特徴表現が学習を向上させることを示している。
• 物理的整合性を持つ強い事前知識を持つデータ強化モデルは、データなしでも妥当な予測を生成できるが、純粋にデータ駆動のモデルは十分なデータが得られるまで不適切な出力を示すリスクがある。
• 最終的な性能は類似しているものの、物理的整合性と高速な収束性を備えることから、実用的観点からデータ強化モデルが優れていると考えられる。