ICML2025 机器人接触几何接触哈密顿微分同胚动力系统学习不确定性量化黎曼测地线机器人交互控制

Geometric Contact Flows: Contactomorphisms for Dynamics and Control¶

会议: ICML2025
arXiv: 2506.17868
代码: 项目主页
领域: 机器人/接触动力学
关键词: 接触几何, 接触哈密顿, 微分同胚, 动力系统学习, 不确定性量化, 黎曼测地线, 机器人交互控制

一句话总结¶

提出 Geometric Contact Flows (GCF)，利用黎曼几何和接触几何作为归纳偏置，通过接触微分同胚（contactomorphisms）将具有稳定性/能量守恒等期望性质的潜在接触哈密顿动力学映射到目标动力学，同时利用集成不确定性驱动测地线实现鲁棒泛化和避障。

研究背景与动机¶

建模含力交换和耗散的复杂动力系统是机器人、流体力学等领域的核心挑战。纯黑盒方法（如 MLP）无法编码变量间物理关系，在数据稀疏区外推失败，缺乏物理可解释性。

现有物理先验方法的局限：

辛几何方法（HNN 等）：仅限保守系统，无法建模摩擦和能量交换
扩展辛方法（DHNN 等）：将阻尼作为外部扰动，破坏辛结构，无法通过几何结构保持保证性质传递
微分同胚方法（EF, NCDS 等）：仅限一阶系统，无法建模自交轨迹、物理交互等复杂行为

核心动机：接触几何自然地扩展辛流形（仅增加一个物理意义明确的变量 \(s\)——拉格朗日作用量），可统一描述非保守系统中的能量耗散与生成。

方法详解¶

整体架构¶

GCF 由三个关键组件构成：

潜在接触哈密顿动力学：在潜空间 \((\mathcal{N}, \eta')\) 中设计具有期望性质的动力学
接触微分同胚集成：\(N\) 个 contactomorphisms 将潜空间映射到环境空间，保持接触结构
不确定性感知测地线：利用集成方差修改黎曼度量，引导轨迹远离数据稀疏区

潜在动力学设计¶

在 \((2d+1)\) 维接触流形上，接触哈密顿函数 \(H_g(\mathbf{z})\) 生成动力学流 \(\mathbf{z}(t) = \varphi_g(t)(\mathbf{z}(0))\)。能量演化由阻尼系数控制：

\[H(t) = H(0) \, e^{\int_0^t \partial H / \partial s \, d\tau}\]

论文设计三种潜在哈密顿，覆盖不同场景：

哈密顿	形式	适用场景
\(H_{g^A}\)	\(\frac{1}{2}\mathbf{p}^\top\mathbf{p} + \frac{1}{2}\mathbf{q}^\top\mathbf{q}\)	周期轨道
\(H_{g^B}\)	\(\frac{1}{2}\mathbf{p}^\top\mathbf{p} + \frac{1}{2}\mathbf{q}^\top\mathbf{q} + s\)	收敛到吸引子
\(H_{g^C}\)	\((\frac{1}{2}\mathbf{p}^\top\mathbf{p} + \frac{1}{2}\mathbf{q}^\top\mathbf{q} + s)s^2\)	安全停止

接触微分同胚（Contactomorphism）¶

将潜空间坐标 \(\mathbf{z}\) 变换为环境空间坐标 \(\mathbf{x}\)，保持接触形式 \(\eta\) 不变（至共形因子）。变换实现为 \(K\) 个参数化网络的复合：

\[\varphi_r(T) = \varphi_{r_{\theta_K}}(\tau) \circ \cdots \circ \varphi_{r_{\theta_1}}(\tau)\]

每个子变换由接触哈密顿向量场的流生成：

\[H_{r_{\theta_k}} = \frac{1}{2}\mathbf{p}^\top M_{\theta_k}(\mathbf{p})\mathbf{p} + V_{\theta_k}(\mathbf{q}) + F_{\theta_k}(\mathbf{q})s\]

其中 \(M_{\theta_k}, V_{\theta_k}, F_{\theta_k}\) 由随机傅里叶特征网络参数化。架构解析可逆，正反变换计算代价相当。

预测过程¶

给定初始点 \(\mathbf{x}_0\)，预测轨迹仅需一次正向+一次反向映射：

\[\mathbf{x}(t) = \varphi_r^{-1}(T) \circ \varphi_g(t) \circ \varphi_r(T)(\mathbf{x}_0)\]

潜在动力学积分过程中无需反复调用 contactomorphism，长程预测高效。

不确定性感知泛化¶

\(N\) 个 contactomorphism 组成集成，在数据丰富区预测一致、数据稀疏区预测发散。通过修改黎曼度量 \(\hat{g}\)，将不确定性 \(\sigma_{\mathbf{z}}\) 纳入测地线计算，转化为最优控制问题：

\[\min_{\mathbf{u}} \int_{t_0}^{t_1} \big(\sigma_{\mathbf{z}}^2(\mathbf{z}(t)) + \|\mathbf{u}(t)\|^2\big) dt, \quad \text{s.t.} \quad \dot{\mathbf{z}}(t) = Z_{H_g}(\mathbf{z}(t)) + \mathbf{u}(t)\]

进一步可加入障碍物能量项 \(E_\Upsilon\) 实现安全避障。

实验关键数据¶

弹簧网格动力学重建（60 维）¶

方法	GCF	DHNN	HNN	EF	NCDS	MLP
DTWD↓	0.50±0.19	1.24±0.62	1.49±0.74	30.9±3.3	24.9±2.6	1.71±0.56

GCF 比次优方法 DHNN 误差降低 57%。

量子系统动力学重建¶

方法	GCF	EF	NCDS	MLP
DTWD↓	0.29±0.04	0.72±0.12	0.70±0.11	0.41±0.06

HNN/DHNN 因限于偶数维相空间不适用。GCF 误差降低 60%。

机器人绕拉任务（Wrap-and-Pull）¶

方法	EF	NCDS	DHNN	GCF Safe	GCF Stable
DTWD↓	1.79±0.04	3.37±0.12	4.25±0.68	0.62±0.22	0.61±0.25

GCF 在真实机器人交互任务中复现误差比 EF 降低约 66%。加载后 Safe 变体能在能量耗尽时自动停止，提供安全保障。

手写数据集泛化（收敛率）¶

数据集	EF	NCDS	DHNN	GCF
LASA Leaf_2	0.49±0.37	0.94±0.19	0.18±0.13	0.69±0.19
DigiLeTs Elle	0.61±0.30	0.54±0.35	0.17±0.15	0.66±0.12

GCF 在二阶动力学场景（DigiLeTs）显著优于所有一阶方法，且方差最小。

亮点与洞察¶

接触几何作为归纳偏置：自然统一保守与非保守系统建模，仅增加一个物理变量 \(s\)（拉格朗日作用量），远优于辛流形加倍维度或外加扰动的做法
双重几何视角：将接触流解释为黎曼测地线，既能通过接触结构保证物理性质，又能通过度量修改实现泛化控制
集成 + 测地线的泛化机制：不同于简单的集成平均，而是利用不确定性修改几何度量，在几何层面引导轨迹
Safe 变体的安全停止：\(H_{g^C}\) 使系统在能量耗尽前自动停止，无需额外安全约束
解析可逆架构：contactomorphism 解析可逆，长程预测只需一次正反映射

局限与展望¶

坐标变换开销：需要将观测数据 \(\{q, \dot{q}\}\) 转换为 canonical 坐标 \(\{q, p, s\}\)，拉格朗日作用量 \(s\) 不可直接观测，需通过 Maupertuis 原理与 Noether 定理对比估计
集成训练代价：\(N\) 个 contactomorphism 联合训练，计算量为单模型的 \(N\) 倍
手写数据 LASA 上未超过 EF：在简单一阶场景中 GCF 优势不明显（0.44 vs 0.43）
避障依赖障碍物先验：障碍物需显式表示为状态空间中的点集，对复杂环境适应性有限
高维扩展性：虽附录有维度扩展实验，但在超高维系统上的表现尚需更多验证

评分¶

新颖性: ⭐⭐⭐⭐⭐ — 首次将接触几何完整引入动力系统学习，理论优雅
实验充分度: ⭐⭐⭐⭐ — 物理系统+手写+真实机器人覆盖全面，但 LASA 优势有限
写作质量: ⭐⭐⭐⭐ — 数学严谨，图示清晰，但数学密度很高
价值: ⭐⭐⭐⭐⭐ — 为非保守动力系统学习提供了新范式，机器人交互控制前景广阔