CaLiSym：通过结构化典型提升学习现实世界系统的辛动力学

近些年来，物理信息学习在动力学系统预测中展现出数据效率和稳定性，但其最强的几何保证——辛结构保持——一直局限于封闭保守系统。然而，许多实际机器人系统涉及驱动、耗散和约束，会与环境持续交换能量和动量，这使得传统的辛学习方法难以直接应用。为了解决这一挑战，来自arXiv的一篇新论文提出了CaLiSym（结构化典型提升的辛学习）框架，将精确辛学习扩展到非保守系统。

CaLiSym的核心创新在于改变几何先验的施加位置。传统的辛学习在测量的物理状态上直接施加辛结构，但这种方法无法处理具有能量交换的系统。CaLiSym则将系统的状态及其物理端口（如外部力、速度等）嵌入到一个结构化的提升典型相空间中。在这个高维空间中，学习到的动力学通过一个精确的辛映射进行演化，从而保证了几何结构的保持。更重要的是，这种提升是显式代数的，意味着它不需要循环隐状态、变压器解码器、隐式优化或推理时的常微分方程（ODE）积分，这大大降低了计算复杂度和推理成本。

具体实现上，研究团队使用广义脊SympNet预测器来实例化该框架，并针对B样条引入了一种名为GRB-SympNet的变体。GRB-SympNet结合了局部逼近能力与精确的辛结构，既能捕捉局部动力学特征，又严格保持几何约束。这种设计使得模型在处理复杂多变的真实系统时，既能保持高预测精度，又能确保辛形式的数值精度。

为了验证CaLiSym的有效性，研究人员在三个具有代表性的机器人平台上进行了实验：受控的耗散双摆、真实世界的四旋翼无人机，以及接触丰富的四足机器人。这些系统分别涵盖了驱动与耗散、复杂空气动力学以及接触约束等典型非保守特征。实验结果表明，即使在参数高效模型下，CaLiSym在分布外自回归预测任务中始终优于基线方法，同时学习到的提升动力学将辛形式保持到数值精度。这意味着模型不仅对训练数据内的场景有效，更能可靠地推广到未见过的工况，这对于实际机器人应用至关重要。

在受控耗散双摆实验中，CaLiSym在长时间预测中的误差累积远小于传统方法，即使在外推至未训练的参数区域时，其预测轨迹仍保持与真实轨迹高度一致；在四旋翼实验中，CaLiSym的参数高效模型使用了不到1/3的参数量就达到了与全参数基线相当的预测精度；在四足机器人实验中，CaLiSym成功预测了包含复杂接触序列的运动，且接触力的分布与实测数据吻合良好。这些结果充分证明了CaLiSym在实际应用中的潜力。

该论文由Aristotelis Papatheodorou等人撰写，共18页，包含4张图和5张表，主题覆盖机器人学（cs.RO）和机器学习（cs.LG）。CaLiSym的提出标志着辛学习从保守力学向真实机器人系统迈出了重要一步，为几何保持动力学模型在实际中的应用铺平了道路。未来，这一框架有望在机器人控制、仿真和预测领域发挥关键作用，推动数据驱动的动力学建模向更高保真度和泛化能力发展。