通过可微接触模型扩展拉格朗日与哈密顿神经网络
机器人学
2021-11-15 v3 人工智能
机器学习
摘要
引入适当的归纳偏置在从数据学习动力学中起着关键作用。越来越多的工作致力于通过将拉格朗日或哈密顿动力学编码进神经网络架构来强制所学动力学的能量守恒。这些现有方法基于微分方程，不允许状态的不连续性，从而限制了可学习系统的类别。然而在现实中，大多数物理系统，如腿式机器人和机械臂，涉及接触与碰撞，会在状态中引入不连续性。本文中，我们引入一个可微接触模型，能够捕捉接触力学：无摩擦/有摩擦，以及弹性/非弹性。该模型还可容纳不等式约束，例如关节角度限制。所提出的接触模型通过允许同时学习接触与系统属性，扩展了拉格朗日与哈密顿神经网络的范围。我们在一系列具有不同恢复系数和摩擦系数的挑战性 2D 和 3D 物理系统上演示了该框架。所学动力学可用作下游基于梯度的优化任务（如规划与控制）的可微物理模拟器。
引用
@article{arxiv.2102.06794,
title = {Extending Lagrangian and Hamiltonian Neural Networks with Differentiable Contact Models},
author = {Yaofeng Desmond Zhong and Biswadip Dey and Amit Chakraborty},
journal= {arXiv preprint arXiv:2102.06794},
year = {2021}
}