[論文レビュー] Learning Robot Structure and Motion Embeddings using Graph Neural Networks

Joanne Taery Kim, Jeongeun Park+2 more|arXiv (Cornell University)|Sep 15, 2021

Advanced Graph Neural Networks参考文献 25被引用数 6

ひとこと要約

本論文は、木構造のメッセージパッシングを用いて、ロボットの運動学的構造と運動データの低次元で共有される埋め込みを学習するGNNベースのフレームワークを提案する。マルチタスク学習により正運動学と逆運動学を同時に学習することで、構造的かつ解釈可能な埋め込みを生成し、運動学的関係を捉える。これは、類似したロボット形状とポーズを連続的で幾何学的な空間に結びつけることで、MLPベースラインを上回るクラスタリング性能を発揮する。

ABSTRACT

We propose a learning framework to find the representation of a robot's kinematic structure and motion embedding spaces using graph neural networks (GNN). Finding a compact and low-dimensional embedding space for complex phenomena is a key for understanding its behaviors, which may lead to a better learning performance, as we observed in other domains of images or languages. However, although numerous robotics applications deal with various types of data, the embedding of the generated data has been relatively less studied by roboticists. To this end, our work aims to learn embeddings for two types of robotic data: the robot's design structure, such as links, joints, and their relationships, and the motion data, such as kinematic joint positions. Our method exploits the tree structure of the robot to train appropriate embeddings to the given robot data. To avoid overfitting, we formulate multi-task learning to find a general representation of the embedding spaces. We evaluate the proposed learning method on a robot with a simple linear structure and visualize the learned embeddings using t-SNE. We also study a few design choices of the learning framework, such as network architectures and message passing schemes.

研究の動機と目的

• ロボットの運動学的構造と運動を低次元で共有される埋め込み空間に捉える表現学習フレームワークの開発。
• 画像や言語表現とは対照的に、ロボット設計および運動データのための体系的な埋め込み手法の欠如に応える。
• ロボット運動学の固有の木構造を活用し、メッセージパッシングにより構造的および運動学的関係を効果的に符号化する。
• 正運動学と逆運動学の両タスクにおけるマルチタスク学習を用いることで、一般化性能を向上させ、過学習を回避する。

提案手法

• 本手法は、Gilmerらのフレームワークに基づく木構造のメッセージパッシングニューラルネットワーク（MPNN）を用い、ロボット運動学チェーンをノードおよびエッジ特徴に符号化する。
• ルートから葉へ、および葉からルートへという二方向のメッセージパッシングスキームを実装し、階層的な構造的および運動学的情報の集約を可能にする。
• 正運動学（FK）と逆運動学（IK）の両タスクをマルチタスク学習の枠組みで同時に最適化することで、共有され、汎用的な埋め込み空間を学習する。
• 再構成戦略としてエンコーダデコーダ（ED）と穴埋め（FB）の2通りを評価し、FB戦略がより優れた詳細保持と構造的分離を示した。
• ダウンワードおよびアップワードの両パスにおいて、メッセージ生成、集約、隠れ状態更新の関数を用いたネットワークアーキテクチャを採用する。
• t-SNEを用いて得られた埋め込みを可視化し、GNNベースの手法とMLPベースラインを比較する。

実験結果

リサーチクエスチョン

• RQ1 木構造的性質を活用することで、GNNベースのフレームワークはロボット運動学的構造と運動データの意味的で低次元の埋め込みを学習できるか？
• RQ2 FKとIKの両タスクにおけるマルチタスク学習は、単一タスク学習と比較して、学習済み埋め込みの品質と一般化性能をどのように向上させるか？
• RQ3 一方向と往復（round-trip）のメッセージパッシングスキームの違いが、学習済み埋め込み空間の構造にどのように影響を与えるか？
• RQ4 標準的なMLPと比較して、学習済み埋め込みはロボット形状やポーズの解釈可能性およびクラスタリング性能においてどのように異なるか？

主な発見

• GNNベースの手法は、3ジョイントおよび4ジョイントのロボットに対応する2つの明確な長く湾曲したクラスタを、構造埋め込み空間に生成しており、運動学的能力に基づく意味的な分離を示している。
• これに対して、MLPベースラインはより散らばった非構造的な分布を示し、類似した形状をグループ化できず、解釈性に欠ける。
• GNNで学習されたポーズ埋め込みは、最初のジョイント角度に強く相関する1つの連結で伸びたクラスタを形成しており、エンドエフェクタの到達可能性においてそのジョイントが支配的役割を果たしていることを反映している。
• 穴埋め（FB）再構成戦略は、エンコーダデコーダ（ED）戦略よりも構造的で詳細な埋め込みを生成し、入力の変異の分離が明確に見られる。
• 複数回の往復メッセージパッシング（3ラウンド）により、ジョイント数ごとに円形クラスタが形成され、小さな外れ値グループも出現し、より深いメッセージ交換による豊かな構造的符号化が示された。
• t-SNEの可視化により、GNN埋め込み空間が、到達可能性や特異点といった運動学的関係を、MLPベースラインよりも効果的に保持していることが確認された。