[论文解读] Geometric Fabrics for the Acceleration-based Design of Robotic Motion

Mandy Xie, Karl Van Wyk+6 more|arXiv (Cornell University)|Oct 28, 2020

Robot Manipulation and Learning参考文献 18被引用 14

一句话总结

本文提出几何织物——一种稳定、基于加速度的、几何一致的框架，用于设计机器人运动，该框架广义化了黎曼运动策略（RMPs），具备可证明的稳定性与直观的模块化设计。该方法使复杂环境（如家具密集的物流场景）中的导航具备鲁棒性，并在仅用6.7%的训练数据微调后，于未见测试问题上实现了92.2%的成功率。

ABSTRACT

This paper describes the pragmatic design and construction of geometric fabrics for shaping a robot's task-independent nominal behavior, capturing behavioral components such as obstacle avoidance, joint limit avoidance, redundancy resolution, global navigation heuristics, etc. Geometric fabrics constitute the most concrete incarnation of a new mathematical formulation for reactive behavior called optimization fabrics. Fabrics generalize recent work on Riemannian Motion Policies (RMPs); they add provable stability guarantees and improve design consistency while promoting the intuitive acceleration-based principles of modular design that make RMPs successful. We describe a suite of mathematical modeling tools that practitioners can employ in practice and demonstrate both how to mitigate system complexity by constructing behaviors layer-wise and how to employ these tools to design robust, strongly-generalizing, policies that solve practical problems one would expect to find in industry applications. Our system exhibits intelligent global navigation behaviors expressed entirely as provably stable fabrics with zero planning or state machine governance.

研究动机与目标

• 开发一种稳定、与任务无关的框架，用于设计可泛化于多种运动任务的反应式机器人行为。
• 解决现有黎曼运动策略（RMPs）在理论稳定性保证和设计一致性方面的不足。
• 通过基于加速度的策略与几何一致性，实现直观的分层式复杂行为构建。
• 在真实世界工业场景中实现鲁棒性能，例如在存在障碍物和动态目标的复杂环境中导航。
• 验证在扰动和执行速度变化下的强泛化能力，减少对大规模调优的依赖。

提出的方法

• 几何织物被形式化为从HD2黎曼几何导出的二阶非线性微分方程，编码与任务目标无关的典型行为。
• 该框架使用基于芬斯勒能量的优先级度量来加权不同行为分量（如避障、关节限位避免）的贡献。
• 行为在任务空间的变换树上模块化设计，支持复杂性的分层组合。
• 通过度量加权平均组合基于加速度的策略，确保几何一致性，并实现在不改变行为的前提下实现速度缩放。
• 系统被优化为在织物上的单一路径跟踪问题，任务目标在优化景观中定义为局部极小值。
• 通过在不同速度下轨迹之间的弧长积分量化路径一致性，同时调整势能梯度以最小化偏差。

实验结果

研究问题

• RQ1 能否构建一种几何框架，广义化RMPs的直观设计，同时提供可证明的稳定性？
• RQ2 如何在不损害稳定性或一致性的前提下，实现复杂机器人行为的分层式组合？
• RQ3 几何织物在未见配置和扰动下能实现多大程度的强泛化？
• RQ4 执行速度如何影响基于织物的运动策略中的路径一致性？
• RQ5 少量训练样本是否足以在广泛的真实世界导航任务分布上实现高成功率？

主要发现

• 在仅微调6个（占总数的6.7%）训练问题后，系统在90个验证问题上达到96.7%的成功率，在90个未见测试问题上达到92.2%的成功率，表明具有强泛化能力。
• 经过第二轮微调后，验证集和测试集的成功率均提升至100%，表明收敛速度快且鲁棒性强。
• 系统在x/y方向±0.1m、方位角±30°的基底扰动下仍保持稳定性能，证实对定位误差具有鲁棒性。
• 路径一致性随执行速度提高而改善：在2.0 m/s时，轨迹间弧长积分最小（0.0），在较慢速度下则增大（例如0.5 m/s时为0.1193 vs. 2.0 m/s）。
• 几何织物框架实现了无需规划或状态机的智能全局导航，仅依赖于可证明稳定的基于加速度的策略。
• 结果表明，由于其表达能力和一致性，几何织物可能成为未来策略学习系统的重要归纳偏置。