[논문 리뷰] Encoding Physical Constraints in Differentiable Newton-Euler Algorithm

Giovanni Sutanto, Austin S. Wang외 5명|arXiv (Cornell University)|2020. 01. 24.

Robot Manipulation and Learning참고 문헌 20인용 수 11

한 줄 요약

이 논문은 물리적 제약 조건—예를 들어 대칭 정부정행렬(SPD) 관성 행렬 및 삼각형 또는 공분산 매개변수화 방식—을 학습된 강체역학 매개변수에 통합하는 미분 가능 재귀 뉴턴-오일러 알고리즘(DiffNEA)을 제안한다. 이 방법은 미분 가능한 계산 그래프 내에서 재매개변수화를 통해 이러한 제약 조건을 강제함으로써, 물리적으로 타당한 역학 모델을 기반으로 한 기울기 기반 학습을 가능하게 하여, MLP 및 DeLaN과 같은 비정형 모델에 비해 시뮬레이션 및 실제 7-도르기 자유도 로봇 암에서 더 빠른 수렴과 뛰어난 일반화 성능을 달성한다.

ABSTRACT

The recursive Newton-Euler Algorithm (RNEA) is a popular technique for computing the dynamics of robots. RNEA can be framed as a differentiable computational graph, enabling the dynamics parameters of the robot to be learned from data via modern auto-differentiation toolboxes. However, the dynamics parameters learned in this manner can be physically implausible. In this work, we incorporate physical constraints in the learning by adding structure to the learned parameters. This results in a framework that can learn physically plausible dynamics via gradient descent, improving the training speed as well as generalization of the learned dynamics models. We evaluate our method on real-time inverse dynamics control tasks on a 7 degree of freedom robot arm, both in simulation and on the real robot. Our experiments study a spectrum of structure added to the parameters of the differentiable RNEA algorithm, and compare their performance and generalization.

연구 동기 및 목표

• 로봇 분야에서 엔드 투 엔드 미분 가능한 모델을 통해 학습된 물리적으로 비합리적인 역학 매개변수 문제를 해결하기 위해.
• 강체역학 매개변수의 매개변수화에 물리적 제약 조건을 통합하여 학습된 역동적 모델의 일반화 능력과 훈련 속도를 향상시키기 위해.
• 시뮬레이션 및 실제 로봇 제어 환경에서 다양한 구조적 매개변수화(SPD, 삼각형, 공분산)가 모델 성능에 미치는 영향을 평가하기 위해.
• 구조적이고 미분 가능한 역학 학습이 피드백 항목에 대한 의존도를 줄이고 더 유연하고 안정적인 제어를 가능하게 함을 보여주기 위해.

제안 방법

• PyTorch를 사용하여 재귀 뉴턴-오일러 알고리즘(RNEA)을 미분 가능한 계산 그래프로 재구성하여 역학 매개변수 최적화를 위한 기울기 기반 최적화를 가능하게 한다.
• 물리적 일관성(예: 양의 정부정성 및 대칭성 등)을 확보하기 위해 관성 매개변수의 재매개변수화—SPD 행렬, 삼각형 행렬, 공분산 행렬—를 도입한다.
• 학습 전반에 걸쳐 물리적 제약 조건을 유지하면서도 자동 미분을 적용하여 역학 매개변수를 최적화한다.
• 실제 로봇 실험에서 관절의 점성 데미핑을 추가로 학습 가능한 매개변수로 통합하여 모델링되지 않은 마찰을 고려한다.
• 사인 운동 및 종단기구 추적 작업에서 모델을 훈련하고 평가하기 위해 역역학 오차(NMSE) 기반 손실 함수를 사용한다.
• 다양한 매개변수화 방식을 시뮬레이션 및 실제 KUKA IIWA 7-도르기 자유도 로봇 암에서 평가하여 수렴 속도와 일반화 능력을 비교한다.

실험 결과

연구 질문

• RQ1 관성 매개변수의 다양한 매개변수화(SPD, 삼각형, 공분산)가 미분 가능한 역학 모델의 훈련 속도와 일반화 능력에 어떤 영향을 미치는가?
• RQ2 학습된 관성 행렬에 대칭성과 양의 정부정성 등의 물리적 제약 조건을 강제로 적용하면 로봇 역학 모델의 타당성과 성능이 향상되는가?
• RQ3 비정형 모델(예: MLP) 및 반정형 모델(예: DeLaN)에 비해 미분 가능한 RNEA 프레임워크는 새로운 작업에 대한 수렴 속도와 일반화 능력 측면에서 어떻게 비교되는가?
• RQ4 물리적 제약 조건을 적용할 경우 역역학 기반 운동 계획에서 피드백 제어의 필요성이 어느 정도 감소하는가?
• RQ5 정적 마찰과 같은 모델링되지 않은 동역학 요소가 실제 로봇에서 구조적이고 미분 가능한 역학 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• SPD, 삼각형 또는 공분산 매개변수화를 사용한 DiffNEA 모델은 비정형 MLP 및 DeLaN 모델보다 훨씬 더 빠른 수렴 속도를 보였으며, 실제 로봇 데이터에서 2~3 에포크 내에 수렴하였다.
• 종단기구 추적 작업에서 DiffNEA 모델은 NMSE 0.013~0.015를 기록하여 MLP(0.513) 및 DeLaN(불안정)에 비해 훨씬 낮은 오차를 기록하며, 새로운 작업에 대한 뛰어난 일반화 능력을 입증하였다.
• 훈련된 DiffNEA 모델은 피드백 항목에 대한 의존도가 감소하여 역역학 제어에서 더 유연하고 안정적인 동작을 보였다.
• 온라인 학습 환경에서 SPD 및 공분산 매개변수화 모델이 가장 낮은 NMSE와 가장 빠른 수렴 속도를 기록하여 실시간 적응에서 다른 모델을 압도하였다.
• 실제 로봇 실험 결과, 모델링되지 않은 정적 마찰 및 점성 데미핑 효과가 성능을 저하시키는 것으로 나타나, 강체역학 외에 추가적인 물리 모델링이 필요함을 시사하였다.
• 이러한 불일치에도 불구하고, DiffNEA 모델은 DeLaN 및 MLP보다 더 나은 일반화 능력을 유지하며, 시뮬레이션 모델과 실제 시스템 간의 이질성에도 안정된 성능을 유지하였다.