CaLiSym：通過結構化典型提升學習現實世界系統的辛動力學

近些年來，物理信息學習在動力學系統預測中展現出數據效率和穩定性，但其最強的幾何保證——辛結構保持——一直侷限於封閉保守系統。然而，許多實際機器人系統涉及驅動、耗散和約束，會與環境持續交換能量和動量，這使得傳統的辛學習方法難以直接應用。為了解決這一挑戰，來自arXiv的一篇新論文提出了CaLiSym（結構化典型提升的辛學習）框架，將精確辛學習擴展到非保守系統。

CaLiSym的核心創新在於改變幾何先驗的施加位置。傳統的辛學習在測量的物理狀態上直接施加辛結構，但這種方法無法處理具有能量交換的系統。CaLiSym則將系統的狀態及其物理端口（如外部力、速度等）嵌入到一個結構化的提升典型相空間中。在這個高維空間中，學習到的動力學通過一個精確的辛映射進行演化，從而保證了幾何結構的保持。更重要的是，這種提升是顯式代數的，意味着它不需要循環隱狀態、變壓器解碼器、隱式優化或推理時的常微分方程（ODE）積分，這大大降低了計算複雜度和推理成本。

具體實現上，研究團隊使用廣義脊SympNet預測器來實例化該框架，並針對B樣條引入了一種名為GRB-SympNet的變體。GRB-SympNet結合了局部逼近能力與精確的辛結構，既能捕捉局部動力學特徵，又嚴格保持幾何約束。這種設計使得模型在處理複雜多變的真實系統時，既能保持高預測精度，又能確保辛形式的數值精度。

為了驗證CaLiSym的有效性，研究人員在三個具有代表性的機器人平台上進行了實驗：受控的耗散雙擺、真實世界的四旋翼無人機，以及接觸豐富的四足機器人。這些系統分別涵蓋了驅動與耗散、複雜空氣動力學以及接觸約束等典型非保守特徵。實驗結果表明，即使在參數高效模型下，CaLiSym在分佈外自迴歸預測任務中始終優於基線方法，同時學習到的提升動力學將辛形式保持到數值精度。這意味着模型不僅對訓練數據內的場景有效，更能可靠地推廣到未見過的工況，這對於實際機器人應用至關重要。

在受控耗散雙擺實驗中，CaLiSym在長時間預測中的誤差累積遠小於傳統方法，即使在外推至未訓練的參數區域時，其預測軌跡仍保持與真實軌跡高度一致；在四旋翼實驗中，CaLiSym的參數高效模型使用了不到1/3的參數量就達到了與全參數基線相當的預測精度；在四足機器人實驗中，CaLiSym成功預測了包含複雜接觸序列的運動，且接觸力的分佈與實測數據吻合良好。這些結果充分證明了CaLiSym在實際應用中的潛力。

該論文由Aristotelis Papatheodorou等人撰寫，共18頁，包含4張圖和5張表，主題覆蓋機器人學（cs.RO）和機器學習（cs.LG）。CaLiSym的提出標誌着辛學習從保守力學向真實機器人系統邁出了重要一步，為幾何保持動力學模型在實際中的應用鋪平了道路。未來，這一框架有望在機器人控制、仿真和預測領域發揮關鍵作用，推動數據驅動的動力學建模向更高保真度和泛化能力發展。