[论文解读] A Convex Polynomial Force-Motion Model for Planar Sliding: Identification and Application

Jiaji Zhou, Robert Paolini+2 more|arXiv (Cornell University)|Feb 19, 2016

Robot Manipulation and Learning参考文献 6被引用 17

一句话总结

该论文提出了一种用于平面滑动的凸多项式力-运动模型，将广义摩擦载荷表示为一个凸的、偶次齐次多项式 H(F) 的 1-下水平集。该模型通过最大功不等式、对称性、尺度不变性以及高效的可逆性确保物理一致性，结合平方和（SOS）优化方法，实现了准确且数据高效的参数识别。该模型在仅使用少量训练数据的情况下，即可实现稳定的推动物作与动态模拟，性能表现优异。

ABSTRACT

We propose a polynomial force-motion model for planar sliding. The set of generalized friction loads is the 1-sublevel set of a polynomial whose gradient directions correspond to generalized velocities. Additionally, the polynomial is confined to be convex even-degree homogeneous in order to obey the maximum work inequality, symmetry, shape invariance in scale, and fast invertibility. We present a simple and statistically-efficient model identification procedure using a sum-of-squares convex relaxation. Simulation and robotic experiments validate the accuracy and efficiency of our approach. We also show practical applications of our model including stable pushing of objects and free sliding dynamic simulations.

研究动机与目标

• 开发一种数据驱动但物理信息丰富的平面摩擦模型，以尊重基本力学原理。
• 通过实现对摩擦载荷的精确、表达性强且可逆的表示，解决传统摩擦模型（如库仑模型或椭球近似）的局限性。
• 通过在学习过程中引入物理约束，降低摩擦模型识别的样本复杂度。
• 实现基于极少量力-速度数据的实用机器人应用，如稳定推动物作与动态滑动模拟。

提出的方法

• 广义摩擦载荷 F 与速度 V 通过一个凸的、偶次齐次多项式 H(F) 的 1-下水平集表示，其中 F ∈ {H(F) ≤ 1}，且 V 与 ∇H(F) 成比例。
• 通过 H(F) 的凸性强制满足最大功不等式，确保物理一致性。
• 通过 H(F) = H(−F) 实现对称性，通过 ∇H(aF) = g(a)∇H(F) 实现尺度不变性，以反映速度反向与缩放下的物理不变性。
• 采用平方和（SOS）凸松弛方法，从力-速度数据中识别多项式系数，实现高效且统计鲁棒的优化。
• 通过数值方法 Hinv(V) 确保可逆性，该方法将单位速度方向映射到极限面上对应的摩擦载荷。
• 通过机器人实验与仿真对模型进行验证，结果表明其在预测稳定推动物作区域与动态滑动轨迹方面具有高精度。

实验结果

研究问题

• RQ1 是否能够通过凸多项式表示广义摩擦载荷，在仅使用少量数据的情况下，准确建模不同接触条件下的平面滑动？
• RQ2 在识别过程中引入凸性、对称性与尺度不变性等物理约束，如何提升摩擦模型识别的统计效率与泛化能力？
• RQ3 与传统方法（如椭球、二次模型或高斯过程）相比，所提模型在预测稳定推动物作方面表现如何？
• RQ4 即使在数据噪声大或稀疏的情况下，该模型是否仍能实现对具有多个主方向的自由滑动的准确动态模拟？
• RQ5 该模型在不同接触几何形状（如三角形块体与圆形支撑）和表面材料下的性能表现如何？

主要发现

• 在仅使用 30 个训练数据点的情况下，poly4-cvx 模型在旋转中心分类任务中达到 98.18% ±1.32% 的正类召回率，显著优于二次模型（73.87% ±4.63%）与 poly4 模型（97.18% ±1.84%）。
• 在三角形块体上使用 5 个训练数据点与 5 个验证数据点时，poly4-cvx 模型的平均速度对齐误差降低至 4.5°，而 poly4 模型与二次模型分别达到 12.3° 与 14.7°。
• 在木材表面的噪声传感器数据上，仅使用 10 个数据点，poly4-cvx 模型的对齐误差保持在 10° 以下，而 GP 与 poly4 模型的误差均超过 15°。
• 该模型实现的稳定推动物作区域比 [2] 中保守分析预测的区域大 2.5 倍，如图 5 所示，验证了其在实际控制中的优势。
• 在自由滑动仿真中，该模型成功捕捉到多个主方向，无论初始条件如何，最终速度方向均收敛至小区域，与理论预期一致。
• 平方和优化流程实现了统计高效的识别，仅需每种接触构型 5–10 个数据点即可达到高精度。