[논문 리뷰] Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems

Muhammad Asif Rana, Anqi Li외 4명|arXiv (Cornell University)|2020. 05. 27.

Robot Manipulation and Learning참고 문헌 24인용 수 16

한 줄 요약

이 논문은 잠재 유클리드 공간 내에서 단순하고 안정적인 동역학의 미분형 변환으로 모델링된 소수의 인간 시범을 통해 안정적이고 부드럽고 목표 향한 로봇 운동을 학습하는 SDS-EF 방법을 제안한다. 매끄럽고 파arameterized인 미분형 변환(정규화 플로우에서 영감을 얻음)을 조합함으로써 전역 점근적 안정성과 일반화를 보장하며, 최소한의 하이퍼파ram터 튜닝으로도 합성 글쓰기 및 실제 로봇 작업 모두에서 고정밀도의 운동 재현을 달성한다.

ABSTRACT

Robotic tasks often require motions with complex geometric structures. We present an approach to learn such motions from a limited number of human demonstrations by exploiting the regularity properties of human motions e.g. stability, smoothness, and boundedness. The complex motions are encoded as rollouts of a stable dynamical system, which, under a change of coordinates defined by a diffeomorphism, is equivalent to a simple, hand-specified dynamical system. As an immediate result of using diffeomorphisms, the stability property of the hand-specified dynamical system directly carry over to the learned dynamical system. Inspired by recent works in density estimation, we propose to represent the diffeomorphism as a composition of simple parameterized diffeomorphisms. Additional structure is imposed to provide guarantees on the smoothness of the generated motions. The efficacy of this approach is demonstrated through validation on an established benchmark as well demonstrations collected on a real-world robotic system.

연구 동기 및 목표

• 로봇 시스템에서 제한된 인간 시범으로부터 안정적이고 부드럽고 목표 향한 운동을 학습하는 것.
• 간단하고 안정적인 동역학 시스템에 의해 제어되는 잠재 유클리드 공간에 매핑함으로써 학습된 동역학 시스템의 본질적 안정성을 확보하는 것.
• 인간 운동의 규칙성 특성(부드러움, 유계성, 목표 수렴)을 활용하여 표본 효율성과 일반화 능력을 향상시키는 것.
• 복잡한 굴곡진 궤적을 모델링할 수 있지만 안정성과 부드러움을 유지하는 유연하고 표현력 있는 클래스의 미분형 변환을 개발하는 것.
• 기준 데이터셋과 실제 로봇 작업에서의 검증을 통해 정확한 운동 재현과 강건성을 입증하는 것.

제안 방법

• 방법은 인간 시범을 잠재 유클리드 공간 내에서 단순한 경사 하강 흐름과 미분형으로 등가인 안정된 동역학 시스템의 로울아웃으로 모델링한다.
• 랜덤 푸리에 특징을 사용한 K개의 커파링 레이어의 조합으로 미분형 변환을 표현함으로써 표현력 있고 매끄럽고 역행 가능한 변환을 가능하게 한다.
• 잠재 동역학은 잠재 공간 내에서 잠재 함수에 대한 자연 경사 하강법으로 정의되어 있으며, 전역 점근적 안정성을 보장한다.
• 미분형 변환은 궤적 재구성 오차 기반 손실을 사용해 엔드 투 엔드로 학습되며, 부드러움과 역행성 유지를 위한 정규화가 포함된다.
• 효율적인 역전파를 위해 자동 미분(예: PyTorch)을 활용하여 미분형 및 동역학 구성 요소를 통한 기울기 전파를 수행한다.
• 잠재 시스템이 안정되어 있고, 미분형 변환이 위상적 구조를 유지하므로 안정성이 구성에 의해 보장된다.

실험 결과

연구 질문

• RQ1 잠재 공간 내에서 단순하고 안정된 동역학 시스템의 미분형 변환은 소수의 시범으로부터 복잡하고 굴곡진 목표 향한 인간 운동을 효과적으로 모델링할 수 있는가?
• RQ2 유연하고 파arameterized된 미분형 변환을 어떻게 구성할 수 있을까? 이는 결과 동역학 시스템에서 부드러움, 역행성, 안정성을 보장해야 한다.
• RQ3 최소한의 하이퍼파ram터 튜닝으로 이 방법이 얼마나 넓은 범위의 새로운 운동과 작업에 일반화될 수 있는가?
• RQ4 이전에 리아프노프 함수나 수축 메트릭스를 명시적으로 강제하는 방법들과 비교해 복원 정확도와 안정성 측면에서 이 방법은 어떠한가?
• RQ5 이 방법은 실제 로봇 조작자에서 복잡한 3차원 운동을 성공적으로 재현할 수 있는가?

주요 결과

• LASA 글쓰기 데이터셋에서, 이 방법은 중앙값 RMSE 1.8 mm, 평균 DTWD 2.1 mm, FD 2.3 mm를 기록하여 고정밀도 운동 재현을 보였다.
• SDS-EF를 통해 학습된 벡터 필드는 시범 궤적과 밀도적으로 일치했으며, 재현 궤적은 목표 영역으로 매끄럽게 수렴했다.
• 학습된 운동은 상태 공간 전반에 걸쳐 잘 일반화되었으며, 직접적으로 시범되지 않은 영역에서도 매끄럽고 안정적인 운동을 생성했다.
• 실제 로봇 작업(문 열기 및 서랍 닫기)에서 재현된 운동(빨간색)은 시범 궤적(파란색)을 거의 완벽하게 따라가며 최소한의 편차를 보였다.
• 자기 교차가 있는 시범에서는 오차가 더 큰 이상치가 관찰되었으며, 이는 제1차 동역학 시스템으로서 모델링하기에 본질적으로 어려운 영역이기 때문이다.
• 모든 실험에서 동일한 설정을 유지한 채 최소한의 하이퍼파라미터 튜닝으로도 강력한 일반화와 강건성을 보였으며, 이는 높은 성능을 의미한다.