Development of a Deep Learning-Driven Control Framework for Exoskeleton Robots

A continuación se presenta un resumen técnico detallado del artículo "Development of a Deep Learning Based Control Framework for Exoskeleton Robots" (Desarrollo de un Marco de Control Basado en Aprendizaje Profundo para Robots Exoesqueleto), escrito por S.K. Hasan.

1. Planteamiento del Problema

El control de robots exoesqueleto de alto grado de libertad (DOF) enfrenta desafíos significativos relacionados con la complejidad computacional.

• Limitaciones de los métodos basados en modelos: Los enfoques de control tradicionales (como el control de par calculado) requieren la ejecución en tiempo real de ecuaciones dinámicas no lineales complejas (matrices de masa, términos de Coriolis, centrífugos y gravedad). A medida que aumenta el número de grados de libertad, estos cálculos se vuelven computacionalmente costosos y difíciles de ejecutar dentro de intervalos de muestreo estrictos, incluso con hardware paralelo (CPU/GPU), debido a la estructura secuencial de las ecuaciones dinámicas.
• Necesidad de eficiencia: Existe una necesidad crítica de desarrollar marcos de control que mantengan la precisión en el seguimiento de trayectorias pero reduzcan drásticamente la carga computacional para permitir una implementación en tiempo real eficiente.

2. Metodología

El autor propone un marco de control híbrido que combina un controlador de retroalimentación clásico con un controlador de adelanto (feedforward) basado en una Red Neuronal Profunda (DNN).

A. Modelado Dinámico y Generación de Datos

• Sistema: Se desarrolló un modelo dinámico de un exoesqueleto de extremidad inferior humana de 7 grados de libertad (DOF).
• Modelado: Se utilizaron las convenciones de Denavit-Hartenberg modificadas para la cinemática y la formulación de Lagrange para la dinámica. El modelo incluye efectos de fricción (Coulomb, viscoso y efecto Stribeck).
• Generación de Datos de Entrenamiento: En lugar de recolectar datos físicos costosos, se generaron datos sintéticos utilizando el modelo dinámico analítico y un controlador de par calculado como referencia.
  • Se variaron parámetros antropométricos (altura y peso del usuario) y perfiles de velocidad.
  • Se generaron más de 43 millones de muestras (reducidas a ~4.3 millones tras el muestreo) cubriendo movimientos simultáneos y secuenciales de las articulaciones.
  • Entradas (23 variables): Posiciones, velocidades y aceleraciones deseadas de las 7 articulaciones, más la altura y el peso del usuario.
  • Salidas (7 variables): Los pares (torques) de las 7 articulaciones calculados por el modelo dinámico.

B. Arquitectura de la Red Neuronal Profunda (DNN)

• Estructura: Se diseñó una red con 4 capas (3 capas ocultas densamente conectadas y 1 capa de salida).
  • Capas ocultas: 21, 14 y 7 neuronas respectivamente.
  • Total de neuronas: 49.
  • Total de parámetros entrenables: 224.
• Funciones de Activación: Función tangente hiperbólica (tanh-sigmoid) en las capas ocultas para capturar no linealidades, y función lineal pura en la capa de salida para predecir valores continuos de torque.
• Entrenamiento: Se utilizó el algoritmo de optimización Levenberg-Marquardt con el criterio de error cuadrático medio (MSE). El 70% de los datos se usó para entrenamiento, 15% para validación y 15% para prueba.

C. Estrategia de Control Híbrido

• Componente Feedforward: La DNN entrenada actúa como un estimador de la dinámica inversa, prediciendo los pares necesarios para cancelar las no linealidades (gravedad, Coriolis, inercia).
• Componente Feedback: Un controlador Proporcional-Derivativo (PD) se utiliza en el lazo de retroalimentación para compensar los errores residuales de predicción y las incertidumbres no modeladas.
• Estabilidad: Se realizó un análisis de estabilidad utilizando el criterio de Routh-Hurwitz, demostrando que el sistema es estable para ganancias positivas del controlador PD, independientemente de la ganancia del feedforward (DNN).

3. Contribuciones Clave

1. Metodología de Datos Físicos: Propuesta de un método sistemático para generar datos de entrenamiento gobernados por la física para el modelado de dinámica inversa en sistemas robóticos multi-DOF.
2. Controlador Híbrido Eficiente: Desarrollo de un controlador basado en DNN que permite la computación paralela (CPU-GPU), reduciendo la carga computacional en comparación con los métodos basados en modelos completos, mientras mantiene un rendimiento de seguimiento de trayectorias comparable.
3. Validación de Robustez: Demostración estadística de que el controlador es robusto frente a variaciones en los parámetros del usuario (peso y altura).

4. Resultados

• Rendimiento de Seguimiento: El controlador propuesto logró un seguimiento de trayectorias altamente preciso tanto para movimientos simultáneos como secuenciales.
  • Los errores máximos de seguimiento se mantuvieron dentro de rangos muy pequeños (generalmente < 0.3°).
  • La DNN predijo los pares con alta precisión, dejando al controlador PD una tarea mínima de corrección (excepto en la articulación 7, donde el torque es muy bajo).
• Comparativa con Otros Controladores: Se comparó el enfoque propuesto con Control de Par Calculado (CTC), CTC de Referencia de Modelo (MRCTC), Control por Modo Deslizante (SMC), Control Adaptativo y Regulador Lineal Cuadrático (LQR).
  • El controlador DNN-PD mostró una precisión comparable o superior a los métodos no lineales tradicionales.
  • Los perfiles de torque requeridos fueron similares a los de los controladores convencionales, confirmando que no se sacrifica la eficiencia de actuación.
• Análisis de Varianza (ANOVA): Se realizó un análisis estadístico para evaluar la robustez ante variaciones de peso y altura del usuario. Los valores p obtenidos fueron significativamente mayores que el nivel de significancia (0.005), lo que indica que las variaciones en los parámetros del usuario no tienen un impacto estadísticamente significativo en el error de seguimiento, validando la robustez del sistema.

5. Significado e Impacto

Este trabajo demuestra que el aprendizaje profundo puede ser una alternativa viable y eficiente a los métodos de control basados en modelos físicos complejos para exoesqueletos.

• Eficiencia Computacional: Al reemplazar el cálculo en tiempo real de matrices dinámicas complejas con una inferencia de red neuronal (que es altamente paralelizable), se supera la limitación de velocidad de procesamiento de los controladores tradicionales en sistemas de alto DOF.
• Adaptabilidad: El enfoque permite adaptar el controlador a diferentes usuarios (variaciones de peso y altura) sin necesidad de recalibrar el modelo dinámico físico en tiempo real, siempre que el conjunto de datos de entrenamiento sea suficientemente diverso.
• Futuro: El estudio sienta las bases para la implementación en tiempo real de exoesqueletos más ligeros y responsivos, sugiriendo futuras investigaciones en el uso de aprendizaje por refuerzo para el ajuste en línea de los parámetros de la red.

En conclusión, el marco de control híbrido DNN-PD ofrece una solución robusta, precisa y computacionalmente eficiente para la gestión de la dinámica no lineal de robots exoesqueleto, superando las limitaciones de los métodos puramente basados en modelos.