⚡ electrical engineering

Floating-Base Deep Lagrangian Networks

Este artículo presenta FeLaN, un enfoque de red neuronal que integra restricciones físicas específicas de sistemas de base flotante en el aprendizaje profundo para identificar modelos dinámicos más precisos y generalizables en robots humanoides y cuadrúpedos.

Autores originales: Lucas Schulze, Juliano Decico Negri, Victor Barasuol, Vivian Suzano Medeiros, Marcelo Becker, Jan Peters, Oleg Arenz

Publicado 2026-03-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lucas Schulze, Juliano Decico Negri, Victor Barasuol, Vivian Suzano Medeiros, Marcelo Becker, Jan Peters, Oleg Arenz

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que quieres enseñarle a un robot a caminar, saltar o agarrar objetos. Para que el robot se mueva bien, necesita entender su propio cuerpo: cuánto pesa cada parte, cómo se balancea y qué fuerza necesita aplicar para moverse. A esto le llamamos "modelado dinámico".

Hasta ahora, había tres formas de hacer esto:

El método "Blanco" (Físico puro): Como un ingeniero que calcula todo con fórmulas matemáticas. Es muy preciso si conoces el robot a la perfección, pero si el robot tiene una pieza nueva o cambia de peso, tienes que recalcular todo desde cero.
El método "Negro" (Inteligencia Artificial pura): Como un niño que aprende a caminar por ensayo y error. La IA mira miles de videos de movimientos y adivina qué hacer. Es muy flexible, pero a veces hace cosas extrañas o peligrosas porque no entiende las leyes de la física (como si intentara caminar sobre el agua).
El método "Gris" (Lo que propone este paper): Una mezcla inteligente. Es como darle a la IA un "manual de instrucciones de física" para que aprenda rápido, pero sin cometer errores imposibles.

El Problema: Los Robots que "Flotan"

La mayoría de los robots antiguos tenían las piernas clavadas al suelo (como un brazo industrial). Pero los robots modernos (como los perros robots o los humanoides) tienen una base flotante. Esto significa que todo su cuerpo puede moverse libremente en el aire, como si estuvieran patinando sobre hielo.

El problema es que los métodos de IA actuales no entendían bien las reglas especiales de estos robots "flotantes".

El problema de la "Inercia": Imagina que tienes una caja de herramientas. Si la abres, el peso se redistribuye. En un robot con patas, el peso cambia constantemente según cómo dobla las rodillas. La IA intentaba adivinar este peso, pero a veces calculaba cosas imposibles (como que una parte del robot pesara menos que cero, o que el centro de gravedad estuviera en un lugar físicamente imposible).
El problema de la "Estructura": Un robot humanoide tiene brazos que salen del torso, y piernas que también salen del torso. Son ramas separadas. La IA trataba todo como una masa gigante y desordenada, perdiendo la eficiencia de entender que el brazo izquierdo no afecta directamente al derecho de la misma manera que afecta a la pierna.

La Solución: FeLaN (La "Red Neuronal de Lagrange Flotante")

Los autores crearon una nueva herramienta llamada FeLaN. Aquí te explico cómo funciona con una analogía sencilla:

1. El "Esqueleto Matemático" (Parametrización)

Imagina que quieres construir un modelo de un robot de plastilina.

Antes: La IA intentaba moldear la plastilina libremente. A veces hacía que la cabeza fuera más pesada que el cuerpo entero, o que el robot tuviera dos centros de gravedad.
Ahora (FeLaN): En lugar de dejar que la IA moldee la plastilina libremente, le damos un esqueleto rígido y predefinido. Este esqueleto tiene reglas estrictas:
- Regla de la Triángulo: Si tienes tres pesas, la más pesada nunca puede ser más pesada que la suma de las otras dos. FeLaN fuerza a la IA a respetar esta regla matemática.
- Regla de las Ramas: Le decimos a la IA: "Oye, el brazo izquierdo es una rama separada. Si mueves el brazo, no cambies la masa de la pierna derecha". Esto hace que el aprendizaje sea mucho más rápido y eficiente.

2. El "Entrenador Físico" (Aprendizaje)

FeLaN es como un entrenador personal para el robot.

En lugar de solo mirar videos (como la IA negra), el entrenador le dice al robot: "Si haces este movimiento, la física dice que necesitas esta fuerza".
Si el robot intenta hacer un movimiento que viola las leyes de la física (como flotar sin motor), el entrenador lo corrige inmediatamente porque el "esqueleto" matemático no lo permite.
El objetivo es minimizar el error: que la fuerza que el robot cree que necesita sea exactamente la que realmente necesita.

¿Por qué es importante? (Los Resultados)

Los autores probaron esto con robots reales (como el Spot de Boston Dynamics, el Go2 de Unitree y el Talos humanoide) y en simulaciones.

Precisión: FeLaN aprendió a predecir los movimientos del robot mejor que los métodos anteriores, tanto en simulación como en la vida real.
Generalización: Lo mejor es que funcionó bien en robots muy diferentes. Un modelo entrenado en un perro robot funcionó bien en un humanoide. Esto es como si aprendieras a andar en bicicleta y luego pudieras andar en moto sin tener que volver a aprender desde cero.
Interpretabilidad: Como el modelo sigue las reglas de la física, los ingenieros pueden entender por qué el robot tomó una decisión. No es una "caja negra" mágica; es una caja gris donde sabemos qué reglas se están aplicando.

En resumen

Este paper presenta una forma inteligente de enseñar a los robots a entender su propio cuerpo. En lugar de dejar que la Inteligencia Artificial adivine a ciegas, les damos un "manual de leyes físicas" que no pueden romper.

Es como enseñar a un niño a cocinar:

Método antiguo: Dejar que mezcle todo y veamos qué pasa (a veces sale una pizza, a veces una bomba).
Método nuevo (FeLaN): Le das una receta con reglas estrictas (no puedes poner sal en el postre, la masa debe pesar X), pero dejas que él decida los ingredientes exactos. El resultado siempre es comestible, delicioso y consistente.

Gracias a esto, los robots del futuro podrán caminar por terrenos difíciles, cargar objetos pesados y moverse de forma más segura y natural, sin tener que ser programados manualmente para cada situación posible.

Resumen Técnico: Floating-Base Deep Lagrangian Networks (FeLaN)

1. El Problema

La identificación de sistemas (SysID) es fundamental para la simulación, el control y la estimación de estados en robótica.

Limitaciones de los métodos actuales:
- Los métodos caja blanca (basados en principios físicos) requieren conocimiento previo del sistema y pueden ser difíciles de ajustar para sistemas complejos.
- Los métodos caja negra (puras redes neuronales) son flexibles pero carecen de interpretabilidad y generalizan mal fuera del dominio de entrenamiento.
- Los métodos caja gris (como las Redes Lagrangianas Profundas o DeLaN) combinan ambos enfoques, pero al aplicarse a sistemas de base flotante (humanoides, cuadrúpedos), ignoran restricciones físicas críticas específicas de estos sistemas.
Deficiencias específicas en sistemas de base flotante:
- La matriz de inercia no solo debe ser definida positiva, sino que debe exhibir esparsidad inducida por ramas (debido a las cadenas cinemáticas múltiples) e independencia de entrada (las inercias de una rama dependen solo de sus propias articulaciones).
- La inercia espacial compuesta del cuerpo flotante (bloque superior izquierdo de la matriz de inercia total) debe satisfacer la desigualdad triangular en sus autovalores (propiedad de la inercia rotacional de un cuerpo rígido), algo que los modelos actuales no garantizan.
- Las descomposiciones de Cholesky estándar utilizadas en DeLaN destruyen la esparsidad y no preservan estas propiedades físicas complejas.

2. Metodología

Los autores proponen FeLaN (Floating-Base Deep Lagrangian Networks), un método de caja gris que integra mecánica lagrangiana con una nueva parametrización de la matriz de inercia.

Nueva Parametrización de la Matriz de Inercia:
- Se basa en una factorización de Cholesky reordenada que preserva la esparsidad inducida por la estructura de las cadenas cinemáticas del robot.
- Se introduce una parametrización que garantiza matemáticamente:
  1. Definición positiva de la matriz de inercia.
  2. Esparsidad y dependencia funcional: Cada bloque de la matriz de factorización depende solo de las articulaciones de su rama cinemática correspondiente.
  3. Desigualdad triangular: Se garantiza que la inercia rotacional compuesta cumpla con las restricciones físicas de un cuerpo rígido (relacionando la inercia con una matriz de covarianza semidefinida positiva).
  4. Estacionariedad de la masa total: La masa del sistema se mantiene constante e independiente de la configuración.
Arquitectura de Aprendizaje Profundo:
- Se utilizan redes neuronales para predecir los elementos de la matriz de factorización reordenada ( $L$ ).
- Se emplean múltiples redes especializadas: una red central para la inercia del cuerpo base y redes separadas para cada rama cinemática, respetando la independencia de entrada.
- La energía potencial se calcula directamente a partir de los términos estimados de la matriz de inercia, eliminando la necesidad de una red adicional.
Función de Pérdida:
- Se minimiza el error de la dinámica inversa (diferencia entre el torque estimado y el torque real/medido).
- Se incluyen términos auxiliares suaves para asegurar que las matrices intermedias permanezcan definidas positivas durante el entrenamiento, aunque la consistencia física es una restricción "dura" gracias a la estructura de la parametrización.

3. Contribuciones Clave

Extensión de la consistencia física: Se extiende la condición de consistencia física completa (definida anteriormente solo para cuerpos rígidos simples) a la inercia espacial compuesta de sistemas de base flotante.
Nueva Parametrización: Se presenta una parametrización de la matriz de inercia que preserva la esparsidad inducida por ramas y asegura la consistencia física completa (incluyendo la desigualdad triangular).
Arquitectura FeLaN: Introducción de una arquitectura de aprendizaje profundo basada en la mecánica lagrangiana y la nueva parametrización, capaz de identificar dinámicas de robots de base flotante con alta interpretabilidad.
Validación Extensiva: Se realizó una comparación exhaustiva contra múltiples líneas base (MLP, DeLaN, y variantes de identificación diferenciable DNEA) utilizando datos simulados y reales. Además, se lanzó un nuevo conjunto de datos público con múltiples cuadrúpedos y humanoides.

4. Resultados

Los experimentos se realizaron en simuladores (MJX) y robots reales: Unitree Go2, Boston Dynamics Spot, Pal Robotics Talos y HyQReal2.

Rendimiento en Simulación:
- FeLaN logró el menor error normalizado (NMSE) tanto en Go2 como en Talos.
- Superó a los métodos de caja negra (MLP) y a DeLaN estándar, demostrando que la consistencia física mejora la generalización.
- La variante FeLaN-BS (solo con esparsidad y definición positiva) también superó a los métodos sin restricciones físicas, pero FeLaN completo (con desigualdad triangular) fue superior.
Rendimiento en Robots Reales:
- En datos reales, donde existen ruido, dinámicas de actuadores no modeladas y errores de contacto, los métodos de caja blanca (DNEA) tuvieron dificultades, especialmente en robots más pesados (Talos, HyQReal2).
- FeLaN y FeLaN-BS mostraron el mejor rendimiento general (menor rNMSE promedio), superando a DeLaN y MLP.
- FeLaN demostró ser más robusto a la inicialización y a los hiperparámetros que los métodos puramente basados en datos.
- Interpretabilidad: Los componentes de la dinámica (gravedad, Coriolis, inercia) estimados por FeLaN coincidieron mejor con la realidad física, especialmente en la componente gravitatoria, gracias a la parametrización correcta de la masa.

5. Significado e Impacto

Avance en Modelado de Robots Legged: Este trabajo cierra la brecha entre los modelos de aprendizaje profundo y las leyes físicas estrictas para robots con base flotante, un área donde los métodos anteriores eran insuficientes o simplificados.
Generalización y Robustez: Al imponer restricciones físicas correctas (como la desigualdad triangular y la esparsidad), el modelo generaliza mejor a configuraciones no vistas y es menos propenso a sobreajustarse a ruido o artefactos de datos específicos.
Interpretabilidad Física: A diferencia de las cajas negras, FeLaN proporciona una descomposición física significativa de la dinámica, lo cual es crucial para el diseño de controladores y la estimación de estados en tiempo real.
Recurso Abierto: La liberación del dataset y el código fomenta la reproducibilidad y el avance en la identificación de sistemas para la comunidad de robótica.

En conclusión, FeLaN representa un paso significativo hacia modelos de dinámica de robots que son simultáneamente precisos, físicamente consistentes y eficientes en el uso de datos, facilitando su aplicación en tareas complejas de locomoción y manipulación.