IEEE Transactions on Robotics

A Black-Box Physics-Informed Estimator Based on Gaussian Process Regression for Robot Inverse Dynamics Identification

作者：Giulio Giacomuzzo, Ruggero Carli, Diego Romeres, Alberto Dalla Libera · 机构：Department of Information Engineering, University of Padova, Padova, Italy; Mitsubishi Electric Research Lab, Cambridge, MA, USA

会议/期刊：IEEE Transactions on Robotics · 发布日期：2024 · 页码：4820-4836

运动规划操作

精读笔记

Problem Setting

【A Black-Box Physics-Informed Estimator Based on Gaussian Process Regression for Robot Inverse Dynamics Identification】（IEEE Transactions on Robotics / 2024）

这篇论文不是在重新定义逆动力学识别，而是在处理一个更尖锐的问题：如果不想构造完整 rigid-body regressor、不想依赖准确 DH / inertial parameters，又不愿意接受纯黑箱模型只能在训练轨迹附近插值，那么还能给 GP 放入什么足够强、但不需要具体参数的物理先验？

困难点在于 inverse dynamics 的输入维度随 DOF 线性增长，输出 torque 也多维；普通 GP 若逐关节独立建模，相当于把每个 torque 当成无关函数，浪费了机械系统中由共同 Lagrangian 诱导的耦合结构。NN 路线可以拟合复杂项，但小数据时外推弱，结构化 Lagrangian NN 又有训练不稳定和数据需求问题。model-based identification 的瓶颈则在于需要准确 kinematic regressor 和可辨识 inertial parameters。

因此关键矛盾是：black-box 想减少系统建模成本，但逆动力学的有效泛化几乎必须依赖强结构先验。本文的目标就是在“不知道具体动力学参数”的同时，仍把函数类限制到刚体机械臂动力学应有的结构空间内。

Motivation

已有路线的问题不只是精度不够，而是 inductive bias 放错层级。

单输出 GP 的问题：即使用 GIP / polynomial kernel 改善了单个 torque 的函数空间，它仍然没有表达“所有 torque 来自同一个能量函数”的事实。这样数据效率损失很明显，尤其是末端关节 torque 小、信噪比低或 excitation 不充分时。

Lagrangian-informed NN / RKHS 的问题：它们知道 Euler-Lagrange 形式，但常用通用 SE kernel 或 NN 表示 Lagrangian、inertia matrix、potential energy。这个先验太宽，等价于只告诉模型“函数应当可微并符合某个微分关系”，但没有告诉它“刚体机械臂的能量函数其实落在一个很具体的多项式族里”。

作者的关键观察是：对于串联机械臂，在把 revolute joint 写成 sin/cos、把 prismatic joint 保持为位移、速度显式输入后，potential energy 和 kinetic energy 都具有受限多项式结构。这个结构比“平滑性”强得多，又比完整 model-based regressor 弱得多，正好落在 black-box 与 rigid-body identification 之间的灰区。

Core Idea

论文真正核心是一次建模坐标系的迁移：不直接学 torque，而是学产生 torque 的潜在能量函数；不在原始 q 空间上套 universal kernel，而是在物理变量变换后的有限多项式空间里定义 GP prior。

具体地，作者把 kinetic energy T(q, qdot) 和 potential energy V(q) 作为两个标量 GP。由于 Lagrangian L = T - V，而 Euler-Lagrange 方程对 L 是线性微分算子，torque GP 可以通过对 energy kernel 施加对应线性算子得到。这样 multi-output covariance 不是任意设计的 coregionalization matrix，而是由同一个 latent Lagrangian 自动诱导出来的。

和 prior 的本质区别在于：它不是“对 torque 加一个物理 regularizer”，也不是“用 NN 参数化 inertia matrix”，而是直接构造了一个包含刚体动力学能量结构的 RKHS。这个 RKHS 是有限维、结构化、跨输出共享的，因此在小数据和轨迹外推时比 SE / NN 更合理。

Method

1. Energy-level GP prior： 它解决的是 torque-level 独立建模无法共享物理信息的问题。T 和 V 是标量 latent functions，所有 torque 都由它们通过 Euler-Lagrange 方程导出。核心变化是输出相关性从数据中学习变成由物理算子预先规定。

2. Linear-operator-induced multi-output kernel： GP 在恰当条件下对线性算子封闭。作者利用这一点，把对 L 的偏导和时间导数展开成关于 q, qdot, qddot 的线性偏微分算子 G。torque kernel 即 G G' k_L。它解决的是“如何在 GP 中精确编码拉格朗日方程”而不是用 penalty 近似满足物理约束。

3. LIP polynomial kernels for energies： 这是方法中最关键的函数空间约束。potential energy 用按关节相乘的一阶 inhomogeneous polynomial kernel；kinetic energy 按 link 分解，每个 link 的 kinetic kernel 包含速度二次 homogeneous kernel 和位置相关二阶 polynomial kernels。这样既编码了速度二次性，也编码了 sin/cos 项的次数限制。

4. Energy estimation from torque-only labels： 由于 T、V、tau 在同一个 joint Gaussian model 下，能量后验可以通过 cross-covariance 从 torque observations 推出。这里的意义不是多一个输出，而是说明该模型学到的 latent quantity 有可解释的物理组织；但能量存在常数偏置不可辨，文中也承认这一点。

Key Insight / Why It Works

我认为真正有效的部分主要是 better inductive bias，而不是 scaling、不是更多数据、也不是 test-time compute。

第一，有限维 polynomial RKHS 明显缩小了假设空间。SE kernel 的平滑函数空间太大，局部插值能力强但外推形状没有物理约束；LIP 把函数类压到刚体机械臂能量函数的结构附近，因此训练样本少时更不容易学出物理上荒谬的外推。

第二，latent energy structure 比 output correlation matrix 更强。普通 multi-task GP 只是统计相关；LIP 的输出相关来自同一个 Lagrangian 的微分结构。这会把某些关节上的信息传递到其他 torque 分量，尤其对高 DOF 后端关节更有帮助。实验中末端关节收益明显，符合这个机制。

第三，方法把“动力学参数未知”转化为“多项式系数未知”。这很重要：它没有完全摆脱刚体动力学先验，而是把显式参数辨识换成 kernel regression over physically valid basis。换句话说，它是 nonparametric-looking 的 parametric-structure model；黑箱程度被有意限制了。

第四，能量可估计性不是附属 trick，而是验证结构是否真的在 energy level 建模的证据。LSE 这类直接学整个 Lagrangian 的方法即便能估 L，也不能可靠拆成 T/V，说明“分别建模 T 和 V”不是 cosmetic difference，而是改变了 latent factorization。

可能只是辅助的部分：真实机器人中额外 friction / residual GP 对精度有贡献，但这部分更像工程补丁。它让模型适应非理想系统，却也削弱了纯 Lagrangian-polynomial prior 的可解释性。文中没有充分拆解 residual SE 项和 LIP 主体的贡献，增益归因仍不完全清楚。

Relation To Prior Work

它最接近三条线：structured polynomial kernel for inverse dynamics、Lagrangian RKHS / GP、Deep Lagrangian Networks。

相对 GIP / Cheng 等单输出 polynomial kernel：LIP 的新增点不是“多项式”本身，而是把多项式结构放在 energy 层，并通过 Lagrangian 算子导出 multi-output torque kernel。GIP 已经说明 inverse dynamics 可由 polynomial basis 表达，但仍逐 torque 学；LIP 进一步利用了 torque 共享同一个能量源这一事实。

相对 Learn the Lagrangian / LSE：二者都利用 Euler-Lagrange 结构，但 LSE 用 SE kernel 表示整个 Lagrangian，假设空间宽且 T/V 不可分。LIP 的实质创新是把 Lagrangian 分解为 kinetic 和 potential，并分别给出物理上更精确的 polynomial kernel。

相对 DeLan：DeLan 用 NN 参数化 inertia/potential，再显式套 Lagrangian equations；LIP 用 GP kernel 直接定义函数空间。区别不是 probabilistic vs neural 这么表面，而是 LIP 的训练目标更接近 convex/kernel regression 的小数据 regime，且 basis bias 更显式；DeLan 的表达力更大但训练和数据需求更重。

相对 model-based identification：LIP 不需要构造 Φ(q,qdot,qddot) 或辨识 inertial parameters，但它仍利用了与 rigid-body regressor 同源的结构事实。因此它不是纯 black-box 的反面，而是“parameter-free rigid-body-structured regression”。

Dataset / Evaluation

实验设计基本对准了论文 claim：小数据、轨迹外推、跨 DOF、真机验证、能量估计、控制闭环都有覆盖。尤其是 MELFA 上与 model-based ID / semiparametric GP 对比，能说明在无需显式动力学参数的情况下，LIP 可以接近调好的传统模型，这是比较有说服力的。

但 evaluation 仍有边界。仿真主要是 rigid-body 且 epsilon=0，这正好匹配 LIP 先验；真实实验虽然加入摩擦 residual kernel，但仍是标准串联机械臂、离线训练、受控轨迹分布。所谓 generalization 主要是对 sinusoidal trajectory family 的频率/幅值/位置范围外推，不是对任务形态、负载变化、接触模式或动力学结构变化的泛化。

DeLan baseline 的表现较差可以理解，但也要谨慎解读：作者给 DeLan 更多数据仍不佳，但 NN 训练 recipe、architecture tuning、loss balancing 对结果影响很大。这里能支持“小数据下 GP 更合适”，但不足以证明 LIP 在大数据 regime 中一定优于强 neural dynamics model。

控制实验说明 feedforward 有用，但还不是强 deployment 证明；computed torque tracking 在短 horizon、单类轨迹上验证，离高频在线自适应或安全关键控制还有距离。

Limitation

最核心限制是物理一致性不完整。Euler-Lagrange 结构保证了某些对称性，如 inertia symmetry 和 Coriolis skew-symmetry 相关结构，但没有保证 inertia matrix positive definite。对控制而言，这不是小问题；能量模型若产生非正定惯性，闭环稳定性可能出问题。作者也承认需要 constrained GP / constrained optimization。

第二，scalability 有明显上限。GP 训练随样本数立方增长，multi-output 后矩阵规模是 nN 级；LIP kernel 还包含复杂导数和按 link/关节组合的 polynomial kernel。论文中的样本量不大，适合展示 data efficiency，但没有证明可扩展到长时间运行、大规模在线数据或高 DOF 双臂系统。

第三，black-box 的说法需要限定。它不需要 inertial parameters，但仍需要知道关节类型、串联链结构、revolute/prismatic decomposition，以及使用 DH-like kinematic reasoning 推导变量空间。它减少的是参数级建模，不是完全无结构建模。

第四，真实系统中的非保守项被独立 residual GP 吸收，这可能把部分性能重新变成局部插值。若摩擦、弹性、传动滞后、温度、负载变化显著，LIP 的 conservative rigid-body core 可能不够；此时收益到底来自 LIP 还是 residual SE，文中未充分说明。

第五，能量估计的物理意义在有耗散和未建模 actuator dynamics 时会变模糊。torque-only supervision 下 T/V 本身存在 gauge ambiguity，constant offset 只是最简单的不辨识；更复杂的非保守 residual 可能污染 energy posterior。

Takeaway

  • 1. 这篇最值得记住的是：对机器人动力学学习，最有效的 physics-informed 不是加 loss，而是在 latent energy 层选对函数空间。
  • 2. Polynomial kernel 的价值不在“多项式可拟合”，而在它把 rigid-body dynamics 的外推形状显式写进 RKHS；这类 finite structured RKHS 在小数据机器人建模中仍然很有生命力。
  • 3. Multi-output 的正确打开方式不是任意学习输出相关，而是寻找共同生成源：这里是 Lagrangian；迁移到其他系统时也应优先找 conserved quantity、potential、Hamiltonian、constraint manifold 这类 latent structure。
  • 4. 下一步真正值得做的是 constrained / sparse / online LIP：保证 inertia positive definite，处理非保守项，降低 GP 复杂度，并在变负载、接触和长时在线控制中验证是否仍然成立。

一句话总结

这篇论文把 black-box 逆动力学 GP 从 torque-level 插值推进到 energy-level structured kernel regression，本质贡献是用拉格朗日结构和有限多项式 RKHS 提供了一个不依赖显式动力学参数但强物理约束的小数据建模路线。