[논문 리뷰] Neural Inverse Kinematics

Raphael Bensadoun, Shir Gur외 3명|arXiv (Cornell University)|2022. 05. 22.

Robotic Mechanisms and Dynamics인용 수 4

한 줄 요약

이 논문은 히어르키컬 구조와 변동형 접근을 활용하여 단일-대-일 훈련 데이터에서 다수의 유효한 IK 솔루션을 모델링하는 딥러닝 기반의 역기구학 방법인 IKNet을 제안한다. 하이퍼넷워크를 사용해 가우시안 믹스처 모델(GMM)의 매개변수를 조건부로 생성함으로써, 기구 체인을 따라 순차적으로 관절을 샘플링할 수 있다. 이로 인해 고속 추론, 노이즈에 대한 강건성, 경로 추종 및 일반화 작업에서 뛰어난 성능을 달성한다.

ABSTRACT

Inverse kinematic (IK) methods recover the parameters of the joints, given the desired position of selected elements in the kinematic chain. While the problem is well-defined and low-dimensional, it has to be solved rapidly, accounting for multiple possible solutions. In this work, we propose a neural IK method that employs the hierarchical structure of the problem to sequentially sample valid joint angles conditioned on the desired position and on the preceding joints along the chain. In our solution, a hypernetwork $f$ recovers the parameters of multiple primary networks {$g_1,g_2,\dots,g_N$, where $N$ is the number of joints}, such that each $g_i$ outputs a distribution of possible joint angles, and is conditioned on the sampled values obtained from the previous primary networks $g_j, j<i multiple></i>

연구 동기 및 목표

• 로봇 암에서 딥러닝을 활용해 다수의 역기구학 솔루션을 모델링하는 과제를 해결하기 위해.
• 반복 최적화 없이 실시간 로봇 제어에 적합한 고속 피드포워드 추론을 가능하게 하기 위해.
• 훈련 데이터에 각 자세당 하나의 솔루션만 포함되어 있을 경우에도, 종단 기구 자세 조건에 따라 관절 구성을 확률적으로 표현할 수 있도록 학습하기 위해.
• 이전 관절 상태를 조건으로 삼아 관절 샘플링을 조정함으로써 경로 추종 정확도와 부드러움을 향상시키기 위해.
• 학습된 표현이 시퀀스-투-시퀀스 맵핑과 같은 후행 작업(예: 종단 기구 경로의 시퀀스 맵핑)에 대해 전이 가능하고 유용함을 보여주기 위해.

제안 방법

• 하이퍼넷워크 f는 N개의 주요 네트워크 g₁,…,gₙ의 매개변수를 계산하며, 각 gᵢ는 관절 각도에 대한 GMM을 출력한다.
• 각 gᵢ는 목표 종단 기구 자세 x와 이전 관절들 y¹,…,yⁱ⁻¹의 샘플링된 관절 각도에 조건이 된다.
• 모델은 순차적 샘플링 전략을 사용한다: 각 단계에서 이전 샘플에 조건을 부여한 GMM에서 하나의 관절을 순차적으로 샘플링한다.
• 하이퍼넷워크 f는 반복 최적화 없이도 히어르키컬 구조를 활용하여 다수의 솔루션을 학습할 수 있도록, 정방향 기구학에서 유도된 (x, y) 쌍을 기반으로 훈련된다.
• 추론 시, 고분산 관절 분포는 GMM에서 샘플링함으로써 다수의 유효한 IK 솔루션을 생성할 수 있다.
• 경로 추종을 위해, 모델은 현재 x와 이전 관절 구성 양상을 모두 조건으로 삼아 시간적 부드러움을 보장한다.

실험 결과

연구 질문

• RQ1 단일-대-일 (x, y) 쌍으로만 훈련된 딥러닝 모델이, 다수의 솔루션을 가진 역기구학의 특성을 효과적으로 포착할 수 있는가?
• RQ2 GMM를 활용한 계층적 순차적 샘플링 전략이 최적화 기반 또는 엔드 투 엔드 학습 방법에 비해 속도와 솔루션 품질 측면에서 어떻게 비교되는가?
• RQ3 모델은 미세조정을 최소로 사용하여 새로운, 알려지지 않은 기구 체인에 일반화할 수 있는가?
• RQ4 하이퍼넷워크 f가 학습한 표현은 종단 기구 경로의 시퀀스-투-시퀀스 맵핑과 같은 후행 작업을 지원하는가?
• RQ5 이 방법은 기구 체인의 노이즈가 있거나 변형된 입력 치수에 대해 얼마나 강건한가?

주요 결과

• IKNet은 최적화 기반 및 학습 기반 베이스라인보다 경로 추종에서 뛰어난 성능을 보이며, 단일 솔루션만 생성하는 베이스라인과는 달리 다수의 정확하고 안정적인 솔루션을 생성한다.
• 종단 기구 경로에 대해 Transformer 기반 seq2seq 모델을 훈련할 때, IKNet을 표현으로 사용함으로써 더 빠른 수렴과 낮은 오차를 달성한다.
• 단 몇 개의 예제만으로 새로운 알려지지 않은 기구 체인(예: 암 B)에 대해 미세조정을 수행한 IKNet 모델은 뛰어난 성능을 보이며, 전이 가능성의 가능성을 입증한다.
• 모델은 노이즈가 있는 관절 치수에 대해서도 강건성을 유지하며, 변형이 가해진 상황에서도 낮은 정방향 기구학 오차를 유지한다.
• 하이퍼넷워크 f가 학습한 표현은 원시 종단 기구 자세를 사용하는 것보다 더 빠르고 정확한 후행 모델(예: Transformer) 훈련을 가능하게 한다.
• IKNet의 추론 속도는 반복 최적화 방법보다 뚜렷이 빠르며, 실시간 로봇 제어에 적합하다.