[论文解读] Learning Data-Efficient Rigid-Body Contact Models: Case Study of Planar Impact

Nima Fazeli, Samuel Zapolsky+2 more|arXiv (Cornell University)|Oct 16, 2017

Robot Manipulation and Learning被引用 10

一句话总结

本文提出了一种数据高效的学习框架，通过整合物理先验与数据驱动校正，提升平面碰撞中刚体接触模型的性能。利用高斯过程对解析模型进行微调或学习最优参数，该方法仅使用300个训练样本，即实现了优于传统模型的预测精度——甚至超越了理论界限。

ABSTRACT

In this paper we demonstrate the limitations of common rigid-body contact models used in the robotics community by comparing them to a collection of data-driven and data-reinforced models that exploit underlying structure inspired by the rigid contact paradigm. We evaluate and compare the analytical and data-driven contact models on an empirical planar impact data-set, and show that the learned models are able to outperform their analytical counterparts with a small training set.

研究动机与目标

• 解决标准刚体接触模型在机器人领域缺乏实证验证及性能受限的问题。
• 克服解析接触模型在应用于真实碰撞数据时泛化能力差与精度不足的缺陷。
• 开发数据高效的学习方法，在保持物理一致性的同时，通过数据提升预测精度。
• 探究在低数据场景下，具有强先验的数据增强模型是否优于纯数据驱动的替代方案。
• 证明包含物理结构（如瞬时力偶）的模型可超越刚体模型的理论性能界限。

提出的方法

• 提出两种数据高效的学习范式：(1) 通过高斯过程校正解析脉冲模型的数据增强接触模型；(2) 通过数据驱动优化学习最优模型参数。
• 使用由质量、惯性、接触点和碰撞前速度等物理量导出的五维特征空间（$\mathcal{X}_5$），将维度从10D降低。
• 应用高斯过程建模脉冲预测中的残差，实现对解析模型的不确定性感知校正。
• 通过能量椭球和有效质量矩阵（$\mathbf{M}_c$）将接触脉冲预测建模为约束优化问题，确保物理一致性。
• 使用瞬时力偶（$\mathcal{Y}_2$）作为增强特征，使模型能够偏离刚体假设，提升表达能力。
• 在真实世界的平面碰撞数据集上训练模型，并与解析模型及理论界限（IRB Bound）进行性能对比。

实验结果

研究问题

• RQ1 结合物理先验的数据驱动模型是否能在真实碰撞数据上超越标准解析刚体接触模型？
• RQ2 引入瞬时力偶特征如何提升模型表达能力，超越传统线性脉冲假设？
• RQ3 在低样本场景下，与纯数据驱动模型相比，数据增强模型的数据效率如何？
• RQ4 数据驱动模型在多大程度上可超越刚体接触模型的理论性能界限？
• RQ5 与纯数据驱动模型相比，数据增强模型中强先验对收敛性和泛化能力的影响如何？

主要发现

• 利用高斯过程校正解析脉冲模型的数据增强接触模型，显著优于最佳解析模型（Best Post Hoc），并接近理论IRB界限。
• 表现最佳的数据驱动模型（采用瞬时力偶特征）大幅超越IRB界限，证明放松刚体假设可显著提升精度。
• 数据驱动模型约需300个训练样本即可收敛至最优性能，而数据增强模型仅需约100个样本——仅为标准模型参数识别所需数据量的一半。
• 使用更丰富的$\mathcal{X}_1$特征空间（包含力偶）的模型优于使用$\mathcal{X}_2$的模型，表明增强的物理特征表示可提升学习效果。
• 即使在无数据情况下，具有强先验的数据增强模型仍能提供可行预测，而纯数据驱动模型在数据不足时可能产生不可行输出。
• 结果表明，尽管最终性能相似，数据增强模型因具备物理一致性与更快收敛性，在实际应用中更具优势。