[논문 리뷰] Learning Articulated Rigid Body Dynamics with Lagrangian Graph Neural Network

Ravinder Bhattoo, Sayan Ranu외 1명|arXiv (Cornell University)|2022. 09. 23.

Model Reduction and Neural Networks인용 수 16

한 줄 요약

이 논문은 시스템의 구조적 위상(topology)을 그래프 구조로 인코딩함으로써 오일러-라그랑주 방정식을 통한 엔드 투 엔드 미분 가능한 시뮬레이션을 가능하게 하는 라그랑주 그래프 신경망(LGNN)을 제안한다. LGNN은 시스템 크기와 위상에 걸쳐 일반화되며, 4개의 세그먼트로 이루어진 체인에서 학습한 결과는 더 긴 체인, 복잡한 트러스, 텐세그리티와 같은 하이브리드 시스템까지도 정확하게 시뮬레이션할 수 있다. 이는 물리적 위상에 부합하는 비대각 행렬 형태의 질량 행렬을 학습하는 데에도 기여한다.

ABSTRACT

Lagrangian and Hamiltonian neural networks (LNNs and HNNs, respectively) encode strong inductive biases that allow them to outperform other models of physical systems significantly. However, these models have, thus far, mostly been limited to simple systems such as pendulums and springs or a single rigid body such as a gyroscope or a rigid rotor. Here, we present a Lagrangian graph neural network (LGNN) that can learn the dynamics of articulated rigid bodies by exploiting their topology. We demonstrate the performance of LGNN by learning the dynamics of ropes, chains, and trusses with the bars modeled as rigid bodies. LGNN also exhibits generalizability -- LGNN trained on chains with a few segments exhibits generalizability to simulate a chain with large number of links and arbitrary link length. We also show that the LGNN can simulate unseen hybrid systems including bars and chains, on which they have not been trained on. Specifically, we show that the LGNN can be used to model the dynamics of complex real-world structures such as the stability of tensegrity structures. Finally, we discuss the non-diagonal nature of the mass matrix and its ability to generalize in complex systems.

연구 동기 및 목표

• 고정된 시스템 크기나 위상 구조를 가정하지 않고 궤적 데이터로부터 강체 역학을 학습할 수 있는, 차별 가능한, 인덕티브 바이어스를 고려한 모델을 개발하는 것.
• 이전의 라그랑주 및 해밀토니안 신경망이 전이적(transductive)이어서 다양한 시스템 구성에 대해 일반화하지 못하는 한계를 극복하는 것.
• 각 강체가 6개의 자유도(3차원 이동 + 회전)를 가지는 관절 연결 강체를 그래프 기반 아키텍처에 그들의 운동학적 및 동역학적 구조를 인코딩하여 모델링하는 것.
• 기존에 본 적이 없는 시스템 위상, 특히 막대와 체인의 하이브리드 시스템과 복잡한 실제 구조물(예: 텐세그리티)에 대해 제로샷 일반화를 가능하게 하는 것.
• 학습된 질량 행렬의 구조를 분석하고, 대각형 또는 사전 정의된 형태를 가정하지 않고 복잡한 시스템에서 물리적 일관성을 가지는지 조사하는 것.

제안 방법

• 관절 연결 강체를 그래프로 표현하며, 노드는 강체를, 엣지는 관절 등의 운동학적 제약 조건을 나타낸다.
• 노드 및 엣지 특징에서 운동 에너지와 위치 에너지 항을 분리하여 계산하는 메시지 전달 기반 그래프 신경망(GNN)을 설계한다.
• GNN이 예측한 에너지 성분을 사용해 시스템 라그랑지안 $\mathcal{L} = \mathcal{T} - \mathcal{V}$을 구성하며, 이를 유지하여 미분 가능성을 확보한다.
• 시간 도함수를 계산하고 역학을 시뮬레이션하기 위해 오일러-라그랑주 방정식 $ \frac{d}{dt} \left( \frac{\partial \mathcal{L}}{\partial \dot{q}} \right) - \frac{\partial \mathcal{L}}{\partial q} = 0 $을 적용한다.
• 시간에 따른 역전파(backpropagation through time)를 사용하여 상태 변수 $ (q, \dot{q}) $에 대한 예측 오차를 최소화함으로써 LGNN을 학습시킨다.
• 라그랑지안에서 직접적으로 질량 행렬 $ M = \partial^2 \mathcal{L} / \partial \dot{q}^2 $을 학습함으로써, 위상 인식 가능한 비대각 행렬 표현을 가능하게 한다.

실험 결과

연구 질문

• RQ1 그래프 신경망 아키텍처는 임의의 위상과 시스템 크기를 가진 관절 연결 강체의 라그랑지안을 학습할 수 있는가?
• RQ2 LGNN은 훈련 데이터보다 크기가 크거나 위상적으로 다른 시스템(예: 더 긴 체인, 하이브리드 막대-체인 시스템)에 대해 제로샷 일반화가 가능한가?
• RQ3 LGNN이 학습한 질량 행렬은 복잡한 시스템의 물리적 위상에 어떻게 반영되며, 대각형 형태를 가정하지 않는가?
• RQ4 LGNN은 명시적인 아키텍처 재학습 없이도 복잡한 실제 구조물(예: 텐세그리티 시스템)을 시뮬레이션할 수 있는가?
• RQ5 그래프 기반 인덕티브 바이어스는 학습된 역학의 일반화 능력과 에너지 보존에 어떤 영향을 미치는가?

주요 결과

• LGNN은 16노드 체인과 복잡한 트러스 구조(T1)에서 모두 낮은 에너지 위반(~$10^{-4}$)와 롤아웃 오차를 기록하며, 오차가 빠르게 안정화된다.
• LGNN은 4세그먼트 체인에서 학습한 결과를 바탕으로 최대 16세그먼트의 체인과 임의의 링크 길이를 가진 체인으로의 크기 일반화를 성공적으로 수행한다.
• 훈련 중에 볼 수 없었던 하이브리드 시스템(예: 체인과 막대의 조합) 및 텐세그리티 구조까지도 성공적으로 시뮬레이션하여 제로샷 위상 일반화를 입증한다.
• 학습된 질량 행렬은 비대각형이며 시스템의 위상에 따라 구조화되어 있으며, 체인의 경우 밴드형, T1의 경우 복잡한 형태를 띤다. 이는 물리적 일관성을 확인한다.
• 질량 행렬은 라그랑지안에서 직접 $ M = \partial^2 \mathcal{L} / \partial \dot{q}^2 $을 통해 계산되며, 사전 가정 없이도 복잡한 시스템에서 정확한 역학을 가능하게 한다.
• 에너지 보존과 궤적 정확도 측면에서 표준 GNN보다 LGNN이 뛰어나며, GNN의 오차는 1.0에 포화되지만 LGNN의 오차는 약 $10^{-4}$ 수준을 유지한다.