通过监督投影流形学习实现李群嵌入的神经动力学规划
本文提出李群嵌入动态神经网络（LieEDNN），利用伴随李群作用解决李群与加法运算不兼容及动力学在非线性空间中演化的问题，实现稳定可学习的神经动力学，并在SE(3)上以伸缩机械臂为应用验证。
文章情报
研究者进阶
要点
- 提出LieEDNN框架，将李群作为流形对称性的内在表示
- 通过伴随李群作用实现李代数上的加法运算
- 参数化李代数和伴随作用为线性变换，与神经网络对齐
- 在SE(3)上验证，应用于伸缩机械臂控制
为什么重要
这条新闻值得关注，因为提出LieEDNN框架，将李群作为流形对称性的内在表示。
技术影响
可能影响研究路线、评测方法、开源复现和后续产品化方向。
近日，研究人员提出了一种名为李群嵌入动态神经网络（LieEDNN）的新方法，旨在解决神经动力学在流形上的学习与稳定性问题。该方法将李群视为流形几何连续对称性的内在表示，能够利用SO(3)和SE(3)等李群的强大表达能力解决机器人、图形学和控制等工程领域的实际问题。
研究团队首先通过引入伴随李群作用来解决两个核心挑战：一是李群与加法运算不兼容，二是动力学在非线性表示空间中演化而非常规欧几里得空间。他们利用伴随作用诱导线性映射，转化为权重矩阵的分块结构，从而在作为向量空间的李代数上执行加法操作。随后，他们参数化李代数和伴随作用为线性变换，使得架构与神经网络感知机对齐。这种嵌入表现为权重上的分块流形约束，并开发了保证时变神经网络动力学稳定性的平衡学习算法。
实验在特定李群SE(3)上实施，以伸缩机械臂为应用场景。该工作已被提交至arXiv（arXiv:2605.26167），目前正在审稿中。