[논문 리뷰] ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations

Samuel Pfrommer, Mathew Halm외 1명|arXiv (Cornell University)|2020. 09. 23.

Robot Manipulation and LearningEngineering인용 수 18

한 줄 요약

ContactNets는 상호작용하는 물체 간의 부호거리와 접촉 프레임 자코비안을 파arameter화하여, 비가역적이고 비연속적인 접촉 역학을 학습하기 위한 미분 가능하고 암묵적인 신경 표현을 제안한다. 단지 60초의 실세계 데이터만으로도 현실적인 충격, 관통 방지 및 슬립(stiction) 행동을 구현하며, 보다 높은 물리적 타당성과 일반화 능력을 확보하여 기존 엔드 투 엔드 모델을 능가한다. 이는 새로운 손실 함수를 통해 보완성과 최대 소산 원리를 강제함으로써 달성된다.

ABSTRACT

Common methods for learning robot dynamics assume motion is continuous, causing unrealistic model predictions for systems undergoing discontinuous impact and stiction behavior. In this work, we resolve this conflict with a smooth, implicit encoding of the structure inherent to contact-induced discontinuities. Our method, ContactNets, learns parameterizations of inter-body signed distance and contact-frame Jacobians, a representation that is compatible with many simulation, control, and planning environments for robotics. We furthermore circumvent the need to differentiate through stiff or non-smooth dynamics with a novel loss function inspired by the principles of complementarity and maximum dissipation. Our method can predict realistic impact, non-penetration, and stiction when trained on 60 seconds of real-world data.

연구 동기 및 목표

• 부드러운 신경망의 인덕티브 바이어스와 로봇 역학에서의 비연속적이고 비가역적인 마찰 접촉 특성 간의 근본적 불일치를 해결하기 위해.
• 힘 또는 접촉 센서를 요구하지 않고도 충격, 슬립, 관통 방지와 같은 현실적인 접촉 행동을 데이터 효율적으로 학습하기 위해.
• 기존 시뮬레이션, 제어 및 계획 파이프라인과 호환 가능한 부드럽고 암묵적인 최적화 문제로 접촉 역학 학습을 재정의하기 위해.
• 비연속적 시뮬레이터를 통해 역전파할 때 발생하는 수치적 불안정성을 해결하기 위해 접촉 역학 원리에 기반한 새로운 손실 함수를 도입하기 위해.
• 암묵적이고 물리 기반의 신경 파rameterization이 정규 엔드 투 엔드 모델보다 정확도와 물리적 일관성 측면에서 뛰어나다는 것을 입증하기 위해.

제안 방법

• 고체 간의 부호거리 함수와 접촉 프레임 자코비안을 사용하여 접촉 역학을 암묵적으로 표현함으로써, 비연속적인 물리 법칙에도 불구하고 부드러운 최적화를 가능하게 한다.
• 깊이 신경망을 사용하여 접촉 표면의 높이와 접촉 자코비안을 예측함으로써, 비연속적인 힘을 직접 회귀하는 것을 피한다.
• 보완성과 최대 소산 원리에서 영감을 얻은 새로운 미분 가능 손실 함수를 도입하여 학습 안정성 향상과 부적절한 기울기 문제 방지를 달성한다.
• 중력 가속도를 사전 지식으로 활용하여 네트워크가 물리적으로 타당한 접촉 상태로 수렴하도록 유도함으로써, 제한된 데이터에서의 일반화 능력을 향상시킨다.
• 물리 엔진에서 사용하는 표현과 동치인 표현 방식을 사용함으로써, 표준 로봇 시뮬레이션 및 제어 스택과의 호환성을 확보한다 (예: [24, 11, 21]).
• 명시적인 접촉 또는 힘 센서 없이도 실세계 3차원 조작 데이터(60초 분량의 던지기 실험)를 기반으로 엔드 투 엔드 학습을 수행한다.

실험 결과

연구 질문

• RQ1 명시적인 접촉 센서 없이도, 부드럽고 암묵적인 신경 표현이 비연속적인 접촉 역학을 효과적으로 모델링할 수 있는가?
• RQ2 비연속적인 접촉 이벤트를 통해 역전파할 때 학습을 안정화하기 위해 어떻게 미분 가능한 손실 함수를 설계할 수 있는가?
• RQ3 부호거리와 접촉 자코비안의 암묵적 파arameterization이 엔드 투 엔드 모델보다 더 나은 일반화 능력과 물리적 타당성을 제공할 수 있는가?
• RQ4 보완성, 최대 소산 원리와 같은 접촉 역학 원리를 통합할 경우, 실세계 데이터에서 모델 성능이 얼마나 향상되는가?
• RQ5 제한된 학습 데이터 조건에서 모델이 관통 방지, 충격, 슬립 행동을 얼마나 잘 포착하는가?

주요 결과

• ContactNets는 단지 32회의 학습 던지기 실험 후 256회 던지기 엔드 투 엔드 모델과 비슷한 위치 정확도를 확보하였고, 더 높은 회전 정확도를 기록하였다.
• ContactNets Polytope의 평균 관통 깊이는 블록 너비의 1.9%에 불과하여, 엔드 투 엔드 모델의 20% 이상 관통보다 유의미하게 낮았다.
• ContactNets의 시뮬레이션 결과는 미미한 관통과 현실적인 비연속적인 충격력을 보였고, 반면 엔드 투 엔드 모델은 자주 이격되며 접촉 후 정지하지 못했다.
• 모델은 명시적인 지면 높이 또는 방향 정보 없이도 딱딱한 면 대 지면 접촉과 회전 안정성을 성공적으로 포착하였다.
• 모델은 높은 데이터 효율성을 입증하였으며, 단지 60초의 실세계 데이터로도 물리적으로 타당한 역학을 생성하였다.
• 물리적 제약 조건을 암묵적으로 강제함으로써, 특히 풍부한 학습 데이터가 존재할 경우, 위치 오차와 회전 오차 측면에서 엔드 투 엔드 기준 모델을 능가하였다.