[논문 리뷰] A Unified Formulation of Geometry-aware Dynamic Movement Primitives

Fares J. Abu‐Dakka, Matteo Saveriano외 1명|arXiv (Cornell University)|2022. 03. 07.

Robot Manipulation and Learning인용 수 4

한 줄 요약

이 논문은 동적 운동 원리(DMPs)의 리만 기하학 인식 형식을 제안하여, 회전(쿼터니언)과 대칭 양의 정합행렬과 같은 기하학적 제약 조건이 있는 스킬—예를 들어, 데이터를 리만 다양체에 통합함으로써 모델링할 수 있다. 이 방법은 학습 및 실행 중 기하학적 일관성을 유지하면서도, 목표 수렴성과 온라인 목표 적응성과 같은 핵심 DMP 성질을 유지한다. 시뮬레이션 및 실제 로봇 실험을 통해 자세 제어와 임피던스 제어가 필요한 작업에서 검증되었다.

ABSTRACT

Learning from demonstration (LfD) is considered as an efficient way to transfer skills from humans to robots. Traditionally, LfD has been used to transfer Cartesian and joint positions and forces from human demonstrations. The traditional approach works well for some robotic tasks, but for many tasks of interest, it is necessary to learn skills such as orientation, impedance, and/or manipulability that have specific geometric characteristics. An effective encoding of such skills can be only achieved if the underlying geometric structure of the skill manifold is considered and the constrains arising from this structure are fulfilled during both learning and execution. However, typical learned skill models such as dynamic movement primitives (DMPs) are limited to Euclidean data and fail in correctly embedding quantities with geometric constraints. In this paper, we propose a novel and mathematically principled framework that uses concepts from Riemannian geometry to allow DMPs to properly embed geometric constrains. The resulting DMP formulation can deal with data sampled from any Riemannian manifold including, but not limited to, unit quaternions and symmetric and positive definite matrices. The proposed approach has been extensively evaluated both on simulated data and real robot experiments. The performed evaluation demonstrates that beneficial properties of DMPs, such as convergence to a given goal and the possibility to change the goal during operation, apply also to the proposed formulation.

연구 동기 및 목표

• 기존 DMP가 쿼터니언과 대칭 양의 정합행렬과 같은 비유클리드 기하학적 데이터를 다루는 데에 한계가 있다는 문제를 해결하기 위해.
• 스킬의 기하학적 제약 조건을 기반으로 하는 다양체의 구조를 DMP 프레임워크에 통합하여 스킬 표현력과 실행 정확도를 향상시키기 위해.
• 리만 다양체에서 핵심 DMP 성질—예를 들어 목표 수렴성과 온라인 목표 조정—을 유지하기 위해.
• 모든 리만 다양체에 적용 가능한 수학적으로 엄밀한 통합 형식을 제공하기 위해, 특히 단위 쿼터니언과 SPD 행렬을 포함하여.
• 기하학적으로 제약된 스킬이 필요한 작업에 대해 시뮬레이션 및 실제 로봇 플랫폼에서 접근법을 검증하기 위해.

제안 방법

• 비유클리드 데이터를 다룰 수 있도록 지수함수 및 로그함수를 사용하여 리만 다양체 위에서 역학을 수식화함으로써 DMP를 확장하는 프레임워크.
• 강제항과 역학이 미분기하학적 도함수와 기하학적 유선을 사용하여 정의되는 리만 DMP 형식을 도입.
• 다양체 위의 시연 궤적에서 강제항을 탄성공간에서 가중 최소제곱법을 사용하여 학습.
• 목표는 리만 지수함수를 통해 통합되어 실행 중에 목표 적응이 가능하면서도 기하학적 유선 일관성이 유지된다.
• 모든 생성된 궤적은 다양체 위에 유지되어 유니폼 DMP에서 흔히 발생하는 투영 오류를 방지.
• 이 방법은 모든 완전한 리만 다양체에 일반적으로 적용 가능하며, 단위 쿼터니언과 대칭 양의 정합행렬을 포함.

실험 결과

연구 질문

• RQ1 DMP는 자세나 임피던스와 같은 기하학적 제약 조건이 있는 스킬을 일반화하여 목표 수렴성과 적응 가능성까지 유지할 수 있는가?
• RQ2 스킬 다양체의 기초가 되는 리만 기하학을 DMP 역학에 어떻게 통합하여 일관된 궤적 생성을 보장할 수 있는가?
• RQ3 제안된 리만 DMP 형식이 비유클리드 데이터에서 핵심 DMP 성질—예를 들어 목표 수렴성과 온라인 목표 수정—을 어느 정도 유지하는가?
• RQ4 자세 제어 및 SPD 행렬 작업에서 표준 유클리드 DMP와 비교해 볼 때 정확성과 기하학적 일관성 측면에서 이 방법은 어떻게 성능을 내는가?
• RQ5 이 프레임워크는 기하학적으로 제약된 스킬이 필요한 실제 로봇 시스템에 효과적으로 적용될 수 있는가?

주요 결과

• 제안된 리만 DMP 형식은 리만 다양체에서 목표 수렴성과 온라인 목표 수정과 같은 DMP 성질을 성공적으로 유지한다.
• 단위 쿼터니언과 대칭 양의 정합행렬에 대해 기하학적으로 일관된 궤적 생성이 가능하여, 유클리드 DMP에서 흔히 발생하는 오류를 피한다.
• 시뮬레이션과 실제 로봇 실험을 통해 자세 제어 및 임피던스 제어가 필요한 작업에서 높은 정확도를 유지함을 입증.
• 학습된 DMP는 목표 변화에 대한 저항력이 있으며, 실행 전반에 걸쳐 다양체 위에 안정적이고 매끄러운 궤적을 유지.
• 자세 및 SPD 행렬 데이터에 적용했을 때 표준 DMP보다 기하학적 정확도와 작업 정확도에서 뛰어난 성능을 보임.
• 노이즈에 강건하고 다양한 다양체에 잘 일반화되어 있어, 이 방법의 일반성과 실용적 적용 가능성을 확인.