[논문 리뷰] Geometry-aware Bayesian Optimization in Robotics using Riemannian Matérn Kernels

Noémie Jaquier, Viacheslav Borovitskiy외 4명|arXiv (Cornell University)|2021. 11. 02.

Robotic Mechanisms and Dynamics참고 문헌 39인용 수 5

한 줄 요약

이 논문은 로봇 공학에서 흔히 볼 수 있는 비유클리드 다양체, 예를 들어 SO(3), SPD 행렬, 하이퍼볼릭 공간 등에서 기하 구조를 고려한 베이지안 최적화를 위한 리만형 마트너 커널을 제안한다. 라플라스–베르트라미 연산자의 스펙트럼 이론과 일반화된 적분 표현을 활용하여, 이론적으로 타당하고 정부호인 커널을 설계함으로써, 수동적인 길이 척도 조정이 필요 없이 로봇 작업, 예를 들어 자세 제어 및 운동 계획에서 최적화 성능을 향상시킨다.

ABSTRACT

Bayesian optimization is a data-efficient technique which can be used for control parameter tuning, parametric policy adaptation, and structure design in robotics. Many of these problems require optimization of functions defined on non-Euclidean domains like spheres, rotation groups, or spaces of positive-definite matrices. To do so, one must place a Gaussian process prior, or equivalently define a kernel, on the space of interest. Effective kernels typically reflect the geometry of the spaces they are defined on, but designing them is generally non-trivial. Recent work on the Riemannian Matérn kernels, based on stochastic partial differential equations and spectral theory of the Laplace-Beltrami operator, offers promising avenues towards constructing such geometry-aware kernels. In this paper, we study techniques for implementing these kernels on manifolds of interest in robotics, demonstrate their performance on a set of artificial benchmark functions, and illustrate geometry-aware Bayesian optimization for a variety of robotic applications, covering orientation control, manipulability optimization, and motion planning, while showing its improved performance.

연구 동기 및 목표

• 로봇 공학에서 회전군과 대칭 양의 정수 행렬과 같은 비유클리드 다양체에서 함수 최적화 문제를 해결하기 위해, 기존 유클리드 커널이 기하학적 구조를 포착하지 못하는 문제에 대응한다.
• 기존에 컴act 다양체에 국한된 연구에 비해 일반적이고 이론적으로 탄탄한 프레임워크를 개발하여 리만형 다양체 위에서 기하 구조를 고려한 가우시안 프로세스 커널을 구성한다.
• 내재된 다양체 기하학을 커널 설계에 통합함으로써 데이터 효율적인 베이지안 최적화를 가능하게 하여 수렴성과 강건성을 향상시킨다.
• 실제 로봇 응용 분야에서 제안된 커널의 실용성을 입증한다. 예를 들어 자세 제어, 기민성 최적화, 운동 계획 등에 적용한다.

제안 방법

• 이 방법은 제곱형 지수 커널의 적분 표현을 활용하여 리만형 마트너 커널을 수립함으로써, 이전 연구가 다루지 못한 비콤팩트 다양체로의 확장을 가능하게 한다.
• 라플라스–베르트라미 연산자의 스펙트럼 이론을 활용하여, 기약 표현의 고유값과 특징을 사용하여 군 표현에 대한 급수 전개를 통해 커널을 정의한다.
• 특정 다양체인 SO(3), SPD 행렬, 하이퍼볼릭 공간에 대해서는 와이어 특징 공식과 콜레스키 분해와 같은 군 이론적 도구를 사용하여 명시적인 커널 표현을 유도한다.
• 커널은 $ k_{\nu,\kappa,\sigma^2}(\mathbf{X},\mathbf{Y}) = \frac{\sigma^2}{C_\nu} \sum_{\pi} \left( \frac{2\nu}{\kappa^2} + \lambda_\pi \right)^{-\nu - \frac{d}{2}} d_\pi \chi_\pi(\mathbf{X}\mathbf{Y}^{-1}) $ 로 구성되며, 정부호성과 부드러움 조절이 보장된다.
• 다양체의 내재 거리와 스펙트럼 분해를 직접 커널에 통합함으로써 히وري스틱한 길이 척도 선택을 피한다.
• 이 방법은 인공 벤치마크와 로봇 작업을 대상으로 검증되었으며, 유도된 커널을 사용한 베이지안 최적화를 통해 제어 파rameter를 조정하고 로봇 행동을 최적화한다.

실험 결과

연구 질문

• RQ1 기존 연구가 컴팩트 다양체에 국한되어 있는 바탕으로, SO(3), SPD 행렬, 하이퍼볼릭 공간과 같은 비콤팩트 리만형 다양체로 마트너 커널을 일반화할 수 있는가?
• RQ2 라플라스–베르트라미 연산자의 스펙트럼 이론에 기반한 기하 구조 인식 커널이 로봇 베이지안 최적화에서 데이터 효율성과 수렴성 향상에 기여할 수 있는가?
• RQ3 제어 및 계획 작업에서 표준 유클리드 커널이나 히وري스틱 기반 기하 커널과 비교해 볼 때, 제안된 리만형 마트너 커널의 최적화 성능은 어떠한가?
• RQ4 내재된 다양체 기하학에서 유도된 커널의 부드러움 및 길이 척도 파rameter는 어떤 역할을 하는가? 그리고 의미 있는 최적화가 가능한가?

주요 결과

• 제안된 리만형 마트너 커널은 이론적으로 정부호성을 보장하며, 이전의 기하 구조 인식 접근법과 달리 수동적인 길이 척도 조정이 필요하지 않다.
• 군 표현 이론을 통한 명시적 커널 표현을 통해, SO(3), SPD 행렬, 하이퍼볼릭 공간과 같은 비유클리드 다양체에서 효과적인 베이지안 최적화가 가능해진다.
• 인공 벤치마크에서, 리만형 마트너 커널은 표준 유클리드 커널과 단순한 기하 근사 방법보다 수렴 속도와 정확도에서 뛰어난 성능을 보였다.
• 자세 제어 및 운동 계획을 포함한 로봇 응용 분야에서, 기존 기준 방법에 비해 더 빠른 수렴과 향상된 성능을 달성했다.
• 커널 표현은 마트너 파rameter $\nu$ 를 통한 부드러움 최적화를 가능하게 하여, 기저 다양체의 구조에 더 잘 적응할 수 있도록 해준다.