[论文解读] Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems

Muhammad Asif Rana, Anqi Li+4 more|arXiv (Cornell University)|May 27, 2020

Robot Manipulation and Learning参考文献 24被引用 16

一句话总结

本文提出 SDS-EF 方法，通过将人类示范动作建模为潜在欧氏空间中简单稳定动力学的微分同胚变换，从少量人类示范中学习稳定、平滑、目标导向的机器人运动。通过组合灵活、参数化的微分同胚（受归一化流启发），该方法确保全局渐近稳定性和泛化能力，在合成手写和真实机器人任务中均实现了高保真度运动复现，且超参数调优极少。

ABSTRACT

Robotic tasks often require motions with complex geometric structures. We present an approach to learn such motions from a limited number of human demonstrations by exploiting the regularity properties of human motions e.g. stability, smoothness, and boundedness. The complex motions are encoded as rollouts of a stable dynamical system, which, under a change of coordinates defined by a diffeomorphism, is equivalent to a simple, hand-specified dynamical system. As an immediate result of using diffeomorphisms, the stability property of the hand-specified dynamical system directly carry over to the learned dynamical system. Inspired by recent works in density estimation, we propose to represent the diffeomorphism as a composition of simple parameterized diffeomorphisms. Additional structure is imposed to provide guarantees on the smoothness of the generated motions. The efficacy of this approach is demonstrated through validation on an established benchmark as well demonstrations collected on a real-world robotic system.

研究动机与目标

• 从机器人系统中有限的人类示范中学习稳定、平滑、目标导向的运动。
• 通过将动力学系统通过微分同胚嵌入到由简单稳定动力学控制的潜在欧氏空间中，确保所学动力系统固有的稳定性。
• 通过利用人类运动的规律性特征（如平滑性、有界性、收敛至目标），提升样本效率与泛化能力。
• 开发一种灵活且表达能力强的微分同胚类，能够建模复杂弯曲轨迹，同时保持稳定性和平滑性。
• 在基准数据集和真实世界机器人任务上验证该方法，展示精确的运动复现与鲁棒性。

提出的方法

• 该方法将人类示范建模为潜在欧氏空间中一个稳定动力学系统的轨迹，该动力学系统与一个简单的梯度下降流通过微分同胚等价。
• 通过使用随机傅里叶特征的 K 个耦合层组合表示微分同胚，实现表达能力强、平滑且可逆的变换。
• 潜在动力学由势函数上的自然梯度下降定义，确保潜在空间中的全局渐近稳定性。
• 通过基于轨迹重建误差的损失函数端到端训练微分同胚，辅以正则化以保持平滑性和可逆性。
• 利用自动微分（如 PyTorch）高效反向传播通过微分同胚和动力学组件。
• 稳定性通过构造保证，因为潜在系统是稳定的，且微分同胚保持了拓扑结构。

实验结果

研究问题

• RQ1 潜在空间中一个简单稳定动力学系统的微分同胚变换，能否有效建模来自少量示范的复杂、弯曲、目标导向的人类运动？
• RQ2 如何构建一种灵活、参数化的微分同胚，以确保所得到动力系统的平滑性、可逆性和稳定性？
• RQ3 该方法在多大程度上能实现对未见运动和任务的泛化，且仅需极少的超参数调优？
• RQ4 与先前显式施加李雅普诺夫函数或收缩度量的方法相比，该方法在重建精度和稳定性方面表现如何？
• RQ5 该方法能否成功复现真实世界机器人操作器上的复杂三维运动？

主要发现

• 在 LASA 手写数据集上，该方法实现了 1.8 毫米的中位数 RMSE、2.1 毫米的平均 DTWD 和 2.3 毫米的 FD，表明运动复现具有高保真度。
• 通过 SDS-EF 学习到的向量场与示范轨迹高度匹配，复现轨迹平滑收敛至目标区域。
• 该方法在状态空间中泛化良好，即使在未直接示范的区域也能生成平滑且稳定的运动。
• 对于真实机器人任务（门部抓取和抽屉关闭），复现的运动（红色）与示范轨迹（蓝色）高度一致，偏差极小。
• 误差较高的异常值主要出现在具有自相交特征的示范中，这类轨迹对一阶动力学系统本身具有建模挑战。
• 该方法仅需极少的超参数调优，所有实验均采用固定设置，展现出强大的泛化能力与鲁棒性。