日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

力学学習arXiv:2607.06824

CaLiSym: 構造化正準リフトによる実世界システムのシンプレクティック力学学習

CaLiSym: Learning Symplectic Dynamics of Real-World Systems through Structured Canonical Lifts

シェア:XThreadsFacebookLINEはてブBluesky

実世界のロボットシステム(駆動・散逸・拘束を含む)に対して、状態をリフトした位相空間上でシンプレクティック写像を学習する軽量フレームワークを提案し、外挿予測誤差を最大69.5%削減した。

詳しい要約

1. どんなもの?

CaLiSymは、実世界のロボットシステム(駆動・散逸・接触拘束を含む)の力学予測を、シンプレクティック構造を保ちながら学習する軽量フレームワークである。測定状態に幾何学的事前分布を課す代わりに、状態とそのポート(外部とのエネルギ/運動量交換)をリフトされた位相空間に埋め込み、その空間上でシンプレクティック写像としてダイナミクスを進化させる。リフトは明示的かつ代数的で、リカレント潜在状態やトランスフォーマー、暗黙的最適化、推論時の数値積分を必要としない。

2. 先行研究と比べてどこがすごい?

従来のPhysics-informed learningは、閉じた保存系に限定されることが多く、実世界のロボットシステム(駆動・散逸・接触)には適用できなかった。CaLiSymは、幾何学的制約を課す場所を変えることで、これらのシステムにもシンプレクティック学習を拡張した点が新しい。また、リフトを明示的かつ代数的にすることで、既存のシンプレクティック学習手法(潜在状態や反復計算を必要とするもの)に比べて計算効率が高く、パラメータ数も少ない。

3. 技術・手法の肝は?

手法の核は、状態とポートをリフトされた位相空間に埋め込み、その空間でシンプレクティック写像を学習すること。リフトは明示的で代数的に定義され、学習にはSympNet予測器を用いる。さらに、B-splineを用いたGRB-SympNetを導入し、近似能力と厳密なシンプレクティック構造を両立させている。これにより、外部とのエネルギ交換を伴うシステムでも、シンプレクティック形式を数値精度で保存する。

4. どうやって有効だと検証した?

制御された散逸性二重振り子、実世界のクアッドローター、接触拘束のある実世界の四足ロボットを用いて実験を行った。評価指標はout-of-distributionの自己回帰ロールアウト誤差であり、既存のシーケンスモデルベースラインと比較して、最大69.5%の誤差改善を達成し、パラメータ数は少なく、1ステップあたりの浮動小数点演算数は最大85倍削減された。また、リフトされたダイナミクスがシンプレクティック形式を数値精度で保存することも確認された。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。ただし、リフトの設計がシステムに依存する可能性や、B-splineの次数選択などが性能に影響する可能性が考えられるが、要旨には明記されていない。また、実世界のシステムでの検証は行われているが、より複雑なシステムや大規模なシステムへの適用可能性については議論されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、SympNet(シンプレクティックネットワーク)や、シンプレクティック学習の基礎となる手法が挙げられる。また、Physics-informed learning全般や、ロボットシステムの力学学習に関する研究(例:Hamiltonian Neural Networks)も関連する。具体的な論文タイトルは要旨にないため、これらの一般名で示す。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Aristotelis Papatheodorou, Pranav Vaidhyanathan, Natalia Ares, Ioannis Havoutis, Gerard J. Milburn

分類: cs.RO, cs.LG

原文アブストラクト

Physics-informed learning promises data-efficient and stable dynamics prediction, yet its strongest geometric guarantees have largely remained confined to closed conservative systems. This excludes robotic systems of interest, where actuation, dissipation, and constraints exchange energy and momentum with the environment. We introduce CaLiSym, a lightweight framework that extends symplectic learning to such systems by changing where the geometric prior is imposed. Rather than enforcing symplecticity on the measured state, CaLiSym embeds the state and its ports into a lifted phase space, where the dynamics evolve through a symplectic map. The lift is explicit and algebraic, requiring neither recurrent latent states, transformer decoders, implicit optimization, nor inference-time numerical integration. We instantiate the framework with SympNet predictors and introduce GRB-SympNet, a B-spline variant combining approximation with exact symplectic structure. Experiments on a controlled dissipative double pendulum, a real-world quadrotor, and a contact-constrained real-world quadruped demonstrate the lowest out-of-distribution autoregressive rollout error across systems, improving by up to 69.5% while using fewer parameters and up to 85x fewer floating-point operations per step than sequence-model baselines. The lifted dynamics preserve the symplectic form to numerical precision, extending symplectic learning beyond conservative mechanics toward real-world robotics.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI