[论文解读] ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations

Samuel Pfrommer, Mathew Halm+1 more|arXiv (Cornell University)|Sep 23, 2020

Robot Manipulation and LearningEngineering被引用 18

一句话总结

ContactNets 通过参数化物体间的有符号距离和接触帧雅可比矩阵，提出了一种用于学习机器人中不连续接触动力学的可微分隐式神经表示。它仅用60秒真实世界数据即可实现逼真的冲击、非穿透和粘着行为，通过新颖的损失函数强制执行互补性和最大耗散，从而在物理合理性与泛化能力上优于端到端模型。

ABSTRACT

Common methods for learning robot dynamics assume motion is continuous, causing unrealistic model predictions for systems undergoing discontinuous impact and stiction behavior. In this work, we resolve this conflict with a smooth, implicit encoding of the structure inherent to contact-induced discontinuities. Our method, ContactNets, learns parameterizations of inter-body signed distance and contact-frame Jacobians, a representation that is compatible with many simulation, control, and planning environments for robotics. We furthermore circumvent the need to differentiate through stiff or non-smooth dynamics with a novel loss function inspired by the principles of complementarity and maximum dissipation. Our method can predict realistic impact, non-penetration, and stiction when trained on 60 seconds of real-world data.

研究动机与目标

• 解决平滑神经网络归纳偏置与机器人动力学中摩擦接触的不连续、非平滑特性之间的根本性不匹配问题。
• 实现在无需力传感器或接触传感器的情况下，以数据高效方式学习逼真的接触行为（如冲击、粘着和非穿透）。
• 将接触动力学学习重新表述为与现有仿真、控制和规划流水线兼容的平滑隐式优化问题。
• 通过引入基于接触力学原理的新型损失函数，克服反向传播通过不连续模拟器时的数值不稳定性。
• 证明隐式、物理感知的神经参数化方法在准确性和物理一致性方面优于标准端到端模型。

提出的方法

• 使用刚体之间的有符号距离函数和接触帧雅可比矩阵隐式表示接触动力学，即使在物理不连续的情况下也能实现平滑优化。
• 使用深度神经网络参数化系统，以预测接触表面的高度和接触雅可比矩阵，避免对不连续力的直接回归。
• 采用受互补性与最大耗散原理启发的新型可微分损失函数，稳定训练过程并避免病态梯度。
• 利用重力加速度作为先验，引导网络趋向物理上合理的接触状态，从而在数据有限的情况下提升泛化能力。
• 通过使用与物理引擎（如 [24, 11, 21]）中相同的表示形式，实现与标准机器人仿真和控制栈的兼容性。
• 在无需显式接触或力传感的情况下，仅使用真实世界3D操作数据（60秒的投掷动作）进行端到端训练。

实验结果

研究问题

• RQ1 是否能够通过平滑的隐式神经表示，在无需显式接触传感的情况下，有效建模机器人中不连续的接触动力学？
• RQ2 如何设计一种可微分损失函数，以在反向传播通过非光滑接触事件时稳定训练过程？
• RQ3 对有符号距离和接触雅可比矩阵进行隐式参数化，是否能带来比端到端模型更好的泛化能力和物理合理性？
• RQ4 在真实世界数据上，融入接触力学原理（互补性、最大耗散）在多大程度上提升了模型性能？
• RQ5 在训练数据有限的情况下，该模型在捕捉非穿透、冲击和粘着行为方面表现如何？

主要发现

• 在仅训练32次投掷后，ContactNets 在位置精度上至少与256次投掷的端到端模型相当，且在旋转精度上表现更优。
• ContactNets Polytope 的平均穿透深度仅为1.9%的方块宽度，远低于端到端模型超过20%的穿透率。
• ContactNets 的轨迹展现出极低的穿透和逼真的不连续冲量，而端到端模型则频繁出现漂移且在接触后无法停止。
• 即使未显式提供地面高度或方向信息，该模型仍成功捕捉了刚性面与地面的接触及旋转稳定性。
• 该方法展现出强大的数据效率，仅用60秒真实世界数据即生成了物理上合理的动力学行为。
• 由于隐式强制实施了物理约束，ContactNets 在位置和旋转误差方面均优于端到端基线模型，尤其在训练数据充足时表现更优。