[论文解读] A First Principles Approach for Data-Efficient System Identification of Spring-Rod Systems via Differentiable Physics Engines

Kun Wang, Mridul Aanjaneya+1 more|arXiv (Cornell University)|Apr 28, 2020

Structural Health Monitoring Techniques参考文献 34被引用 5

一句话总结

本文提出了一种基于第一性原理建模的可微分物理引擎，用于实现弹簧杆系统的数据高效系统辨识。通过将三维动力学简化为每个模块的一维动力学，并对物理可解释参数使用线性回归，该方法在极少的训练数据下实现了高精度，其在数据效率和泛化能力方面优于黑箱模型和Koopman方法。

ABSTRACT

We propose a novel differentiable physics engine for system identification of complex spring-rod assemblies. Unlike black-box data-driven methods for learning the evolution of a dynamical system and its parameters, we modularize the design of our engine using a discrete form of the governing equations of motion, similar to a traditional physics engine. We further reduce the dimension from 3D to 1D for each module, which allows efficient learning of system parameters using linear regression. As a side benefit, the regression parameters correspond to physical quantities, such as spring stiffness or the mass of the rod, making the pipeline explainable. The approach significantly reduces the amount of training data required, and also avoids iterative identification of data sampling and model training. We compare the performance of the proposed engine with previous solutions, and demonstrate its efficacy on tensegrity systems, such as NASA's icosahedron.

研究动机与目标

• 解决黑箱数据驱动物理模型在复杂动力系统中对大量数据的需求以及泛化能力差的问题。
• 通过实现精确、快速且可解释的系统辨识，缩小机器人系统从仿真到现实的差距。
• 克服现有可微分物理引擎对海量数据集的依赖以及缺乏物理可解释性的局限。
• 利用极少的真实世界数据，实现对软体机器人和缆绳驱动机器人（如张拉整体结构）的高效参数学习。
• 开发一种模块化、基于第一性原理的框架，在保持物理意义的同时实现高数据效率和可扩展性。

提出的方法

• 基于运动控制方程的离散形式设计可微分物理引擎，模块化为力生成、加速度生成和积分模块。
• 通过利用弹簧杆系统的轴对称性和线性特性，将每个模块的三维动力学简化为一维，从而简化参数学习。
• 使用线性回归从轨迹数据中推断物理参数（如弹簧刚度、杆质量、阻尼系数），确保可解释性和高效性。
• 引入一个仅含一个可学习参数的控制力标量模块，以适应外部扰动，而无需重新训练整个模型。
• 通过降维和模块化设计，最小化冗余参数估计，提升数据效率。
• 使用反向传播端到端训练模型，已知模块的权重保持冻结，仅对新动态或受扰动的动力学进行微调。

实验结果

研究问题

• RQ1 基于第一性原理的可微分物理引擎是否能在显著减少训练数据的情况下实现高精度系统辨识，相比黑箱模型？
• RQ2 将三维弹簧杆动力学简化为一维模块化形式，对参数学习效率和物理可解释性有何影响？
• RQ3 所提出的方法是否能在无需完整重训练的情况下泛化到新环境和外部力作用？
• RQ4 在数据稀缺场景下，该方法与基于Koopman算子和交互网络的方法相比性能如何？
• RQ5 当各元件参数存在差异时，为每个杆和弹簧单独设置回归器在多大程度上能提升精度？

主要发现

• 即使仅使用73个时间步（全数据集的0.01%）进行训练，该方法的预测误差仍可控制在10⁻⁵量级，展现出卓越的数据效率。
• 在数据效率和精度方面，该模型均优于Koopman+Int和交互网络基线模型，尤其在复杂且非均匀参数设置下表现更优。
• 为每个杆和弹簧使用独立回归器可使误差相比单一共享回归器降低最多50%，尤其在参数存在差异的系统中效果显著。
• 该模型能泛化到包含外部力的新场景：控制力标量模块稳定收敛，并在20,000个时间步内保持低误差。
• 将第一性原理框架与线性回归结合，可实现对物理参数（如刚度、质量）的可解释性推断，其结果可直接对应现实世界中的物理量。
• 由于弹簧振荡的周期性，该方法在长时间序列上仍能保持低误差，有助于测试阶段误差的收敛。