Data-Driven Soft Robot Control via Adiabatic Spectral Submanifolds

Resumen Técnico: Control de Robots Blandos Basado en Datos mediante Subvariedades Espectrales Adiabáticas

Planteamiento del Problema
La complejidad mecánica de los robots blandos, caracterizada por su flexibilidad y subactuación, presenta desafíos significativos para el control basado en modelos. Aunque se han empleado modelos lineales basados en datos, estos tienen dificultades para controlar robots blandos a lo largo de trayectorias complejas y espacialmente extendidas que exploran regiones de comportamiento no lineal significativo. Además, los modelos físicos precisos (por ejemplo, modelos de elementos finitos) suelen ser demasiado de alta dimensión para un Control Predictivo basado en Modelo (MPC) en tiempo real, y los enfoques actuales basados en datos (como el aprendizaje por refuerzo o la identificación de sistemas lineales) a menudo dependen de grandes conjuntos de datos fuera de línea, aproximaciones de caja negra o fallan al capturar la dinámica no lineal bajo fuerzas de control no vistas. El desafío central es desarrollar un modelo de baja dimensión, basado en datos, que capture con precisión la dinámica no lineal de los robots blandos a través de grandes dominios de operación para permitir un seguimiento de trayectoria preciso y en tiempo real.

Metodología
Los autores proponen una estrategia de control basada en la teoría de las Subvariedades Espectrales Adiabáticas (aSSM). Este enfoque aprovecha la separación natural de escalas temporales en robots blandos fuertemente sobreamortiguados, donde las vibraciones internas decaen mucho más rápido de lo que el robot se desplaza a lo largo de su trayectoria prevista.

1. Fundamento Teórico:

   • El método utiliza aSSMs, que son variedades invariantes atractoras de baja dimensión que emanan de una "variedad crítica" (un conjunto de estados estacionarios correspondientes a entradas de control constantes).
   • A diferencia de las Subvariedades Espectrales (SSM) estándar, que están ancladas a un único equilibrio, las aSSM son válidas para entradas de control que varían lentamente ($u(t) = u_s(\epsilon t)$ donde $\epsilon \ll 1$). Esto permite que el modelo reducido siga siendo preciso incluso cuando el robot se aleja de su posición de equilibrio.
   • La entrada de control se descompone en un componente lento ($u_s$) que sigue la variedad crítica y un componente de desviación rápida ($u_d$) que corrige los errores.

2. Pipeline de Aprendizaje Basado en Datos:

   • Recolección de Datos: El sistema recolecta dos tipos de datos: (a) trayectorias de decaimiento de experimentos sin fuerzas partiendo de diversas condiciones iniciales para identificar la geometría de la SSM lenta, y (b) trayectorias controladas generadas aplicando entradas de control variables en el tiempo de forma aleatoria alrededor de varias configuraciones estáticas.
   • Aprendizaje de la SSM Estática: Utilizando el algoritmo SSMLearn, los autores aprenden modelos SSM de orden cero (parametrización, mapas de carta y dinámica reducida) para una rejilla de entradas de control estáticas.
   • Interpolación: Para construir un modelo global válido sobre el espacio de trabajo, los parámetros de estas SSM estáticas locales se interpolan (usando Ponderación de Distancia Inversa Modificada o Regresión Polinómica Cuadrática) para formar el modelo reducido aSSM.
   • Calibración de Control: Se aprenden matrices de control lineales ($B$) a partir de los datos controlados para dar cuenta del término de desviación de control rápido.

3. Implementación del Control:

   • El modelo reducido aSSM aprendido se integra en un esquema de Control Predictivo basado en Modelo (MPC).
   • El problema de optimización minimiza el error de seguimiento y el esfuerzo de control sobre un horizonte finito, sujeto a las restricciones de la dinámica reducida aSSM.
   • El método se valida utilizando simulaciones de elementos finitos de alta fidelidad de un robot de tronco blando y brazos elásticos de tipo varilla de Cosserat.

Contribuciones Clave

• Reducción Adiabática para Robots Blandos: El artículo extiende la teoría de las SSM al régimen "adiabático", permitiendo la construcción de modelos de orden reducido que son válidos sobre grandes dominios de operación, no solo en la vecindad inmediata de un equilibrio.
• Framework Puramente Basado en Datos: Los autores demuestran un pipeline completo para aprender estos modelos reducidos aSSM puramente a partir de datos experimentales sin requerir conocimiento previo de las leyes constitutivas o las ecuaciones rectoras del robot.
• Desempeño de Seguimiento Superior: El estudio introduce un esquema de control que maneja eficazmente las no linealidades y la alta dimensionalidad de los robots blandos, superando los métodos lineales y los basados en SSM estándar.

Resultados
El método propuesto fue validado en modelos de elementos finitos de alta dimensión de un robot de tronco blando (4,254 grados de libertad) y brazos blandos elásticos.

• Precisión del Modelo: En pruebas de lazo abierto, los modelos reducidos aSSM de 5 o de 6 dimensiones demostraron un Error Medio de Trayectoria Normalizado (NMTE) significativamente menor en comparación con los modelos de 4D y las aproximaciones lineales estándar, particularmente en regiones con un desplazamiento vertical ($z_{ee}$) significativo donde el comportamiento sobreamortiguado es prominente.
• Control de Lazo Cerrado: En tareas de MPC de lazo cerrado que involucran diversas trayectorias objetivo (variando en dimensión, tamaño y velocidad), los controladores basados en aSSM lograron un desempeño de seguimiento superior.
• Métricas de Desempeño: Los modelos reducidos aSSM superaron a otros métodos de modelado basados en datos (incluyendo modelos lineales, Linealización de Piezas de Trayectoria y enfoques basados en Koopman) por un factor de hasta 10 en términos de Error Cuadrático Integrado (ISE) en todas las tareas de control de lazo cerrado probadas.
• Robustez: El sistema mantuvo un desempeño robusto incluso en presencia de ruido experimental y cuando operaba con medidas de lentitud no dimensionales ($r_s$) de hasta aproximadamente 3.7, excediendo el requisito teórico estricto de $r_s \ll 1$.

Significancia y Reivindicaciones
El artículo afirma que la aplicación de la teoría de las subvariedades espectrales adiabáticas proporciona un marco matemático riguroso para reducir la complejidad de la dinámica de los robots blandos preservando los comportamientos no lineales esenciales. Al explotar la separación de escalas temporales lento-rápido inherente a los robots blandos sobreamortiguados, los autores demuestran que es posible derivar modelos de baja dimensión que son tanto precisos como computacionalmente eficientes para un MPC en tiempo real.

Los autores posicionan este trabajo como una solución al compromiso entre la precisión del modelo y la complejidad. Afirman que su enfoque aSSM basado en datos evita las trampas de la linealización (que falla en regímenes altamente no lineales) y la naturaleza dependiente de grandes cantidades de datos del aprendizaje por refuerzo. Los resultados sugieren que los modelos reducidos aSSM ofrecen un camino viable hacia el control preciso y de alta velocidad de los robots blandos en entornos complejos, una capacidad que anteriormente estaba limitada por la falta de modelos de orden reducido adecuados. El trabajo valida que estos modelos pueden generalizarse a trayectorias no vistas y operar efectivamente incluso cuando el movimiento del robot no es estrictamente "lento" en relación con las tasas de decaimiento internas, siempre que la medida de lentitud se mantenga dentro de límites prácticos.