💻 computer science

System Identification under Constraints and Disturbance: A Bayesian Estimation Approach

Este artículo presenta un marco de identificación de sistemas basado en Bayes que estima conjuntamente trayectorias de estado y parámetros físicos de robots mediante restricciones de igualdad estrictas y observadores de energía, logrando una convergencia más rápida y una mayor precisión en la estimación de fricción e inercia que los métodos existentes, lo cual mejora significativamente el rendimiento del control predictivo en entornos desafiantes.

Autores originales: Sergi Martinez, Steve Tonneau, Carlos Mastalli

Publicado 2026-02-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sergi Martinez, Steve Tonneau, Carlos Mastalli

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

¡Claro que sí! Imagina que tienes un robot cuadrúpedo (como un perro robótico) y quieres que aprenda a caminar por terrenos difíciles, subir escaleras o incluso manipular objetos con un brazo. Para que el robot se mueva bien, necesita un "cerebro" que entienda perfectamente cómo funciona su propio cuerpo: cuánto pesan sus piernas, cómo se frotan sus articulaciones (fricción) y cómo reaccionan cuando pisan el suelo.

El problema es que los robots no tienen sensores perfectos. A veces el suelo resbala, a veces las piezas internas tienen un poco de "juego" o fricción que no se ve, y los sensores a veces mienten un poco por el ruido. Si le damos al robot un modelo de su cuerpo que no es exacto, se caerá o se moverá de forma torpe.

Aquí es donde entra este paper. Los autores proponen una forma inteligente y muy precisa de "enseñarle" al robot cómo es su propio cuerpo, incluso cuando hay ruido y cosas inesperadas.

Aquí tienes la explicación sencilla, paso a paso:

1. El problema: "El robot no sabe quién es"

Imagina que intentas adivinar el peso de una caja misteriosa cerrada. Si solo la empujas una vez y te equivocas un poco en la fuerza, podrías pensar que pesa 10 kg cuando en realidad pesa 12 kg.

El enfoque antiguo (Frecuentista): Era como intentar adivinar el peso con una sola medición perfecta. Si había un error (ruido), el robot se confundía y aprendía mal.
El enfoque nuevo (Bayesiano): Es como tener una "intuición" inicial. Sabes que la caja pesa algo entre 5 y 20 kg (tu conocimiento previo). Luego, cada vez que empujas la caja, actualizas esa intuición. No buscas un solo número "perfecto", sino un rango de posibilidades que se va afinando. Esto hace que el robot sea mucho más robusto ante errores.

2. La clave: "No solo mirar, sino sentir las leyes de la física"

El paper introduce tres trucos geniales para que el aprendizaje sea rápido y exacto:

A. La "Física Inversa" (El detective de fuerzas)

Normalmente, los robots simulan: "Si aplico esta fuerza, ¿cómo se moverá?". Pero a veces la simulación falla si el tiempo no es perfecto.

La analogía: Imagina que ves un coche chocar.
- Dinámica hacia adelante: Intentas adivinar la fuerza del impacto basándote en cómo se movió el coche. Es difícil y propenso a errores.
- Dinámica inversa (lo que usan ellos): Mides la deformación del coche y la velocidad en el momento del choque para calcular exactamente qué fuerza hubo. Es más directo y preciso.
El beneficio: Al usar esta "física inversa" como una regla estricta, el robot no puede "inventar" excusas para sus errores. Si la física dice que no puede moverse así, el modelo se corrige.

B. Las "Reglas del Juego" (Restricciones y Bucles)

Muchos robots tienen piernas complejas con barras internas (como un mecanismo de cuatro barras) que crean bucles cerrados.

La analogía: Imagina un rompecabezas. Si intentas armarlo pieza por pieza sin mirar la imagen completa, podrías forzar una pieza donde no va.
La solución: El paper obliga al robot a respetar las "reglas del juego" (que una pierna no atraviese el suelo, que las barras internas no se rompan). Si el modelo dice que la pierna atraviesa el suelo, el sistema lo descarta inmediatamente. Esto evita que el robot aprenda cosas falsas (como que sus piernas pesan menos de lo que son solo para explicar por qué se hunde en el suelo).

C. La "Contabilidad de Energía" (El detective de la fricción)

Este es el truco más brillante. La fricción (el rozamiento) es difícil de medir porque es invisible y no lineal.

La analogía: Imagina que tienes una bicicleta. Si pedaleas con fuerza pero no avanzas rápido, algo está "robando" tu energía. Podría ser el viento, pero probablemente sea la cadena oxidada (fricción).
La solución: En lugar de solo mirar la posición, el sistema mide cuánta energía entra (la fuerza que aplica el motor) y cuánta energía sale (movimiento real). La diferencia es la energía "robada" por la fricción. Al añadir esta "contabilidad de energía" al aprendizaje, el robot puede separar perfectamente cuánto pesa la pierna y cuánto se frena por la fricción, incluso sin sensores de fuerza directos.

3. El motor matemático: "El algoritmo rápido"

Hacer todos estos cálculos a la vez (posición, peso, fricción, ruido) suele ser muy lento y pesado para la computadora.

La analogía: Es como intentar resolver un laberinto gigante probando cada camino uno por uno.
La solución: Los autores crearon un algoritmo especial (basado en una recursión de Riccati) que es como tener un mapa del laberinto. En lugar de probar todo, sabe exactamente qué camino tomar para llegar a la solución en tiempo lineal. Esto significa que puede aprender de horas de datos en minutos, lo suficientemente rápido para usarse en robots reales mientras se mueven.

4. Los resultados: "Del simulador a la realidad"

Probaron esto en simulaciones y en un robot real (Unitree B1 con un brazo).

Lo que lograron:
- El robot aprendió sus propios parámetros (peso, fricción) mucho más rápido y con menos errores que los métodos antiguos.
- Cuando usaron el modelo aprendido para caminar por escaleras o terrenos irregulares, el robot se movía con mucha más seguridad y precisión.
- Lograron identificar la fricción interna de las articulaciones (que es muy difícil de ver) solo usando la lógica de la energía.

En resumen

Este paper es como darle a un robot un libro de instrucciones de sí mismo que se actualiza en tiempo real. En lugar de adivinar, usa la física como una ley inquebrantable, cuenta la energía para detectar la fricción invisible y usa matemáticas inteligentes para hacerlo todo rápido. El resultado es un robot que entiende su cuerpo tan bien que puede caminar por cualquier lugar sin caerse, incluso si sus sensores no son perfectos.

Resumen Técnico: Identificación de Sistemas bajo Restricciones y Perturbaciones: Un Enfoque de Estimación Bayesiana

1. Planteamiento del Problema

La identificación de sistemas (SysID) es fundamental para cerrar la brecha entre simulación y realidad (Sim2Real) en robótica, permitiendo locomoción y manipulación dinámicas y robustas. Sin embargo, los métodos convencionales enfrentan limitaciones críticas:

Acoplamiento Estado-Parámetro: En sistemas de base flotante, la localización (estimación de estado) y la identificación de parámetros físicos están intrínsecamente acopladas. Los errores en los parámetros del modelo (inercia, fricción) degradan la estimación de estado, y viceversa, ya que la localización precisa requiere modelos dinámicos exactos.
Limitaciones de los Enfoques Frecuentistas: Los métodos tradicionales (mínimos cuadrados, máxima verosimilitud) asumen conocimiento perfecto de la localización y tienden a sobreajustarse cuando los datos son escasos, el modelo es no lineal o hay incertidumbre.
Complejidad de Restricciones: Ignorar restricciones cinemáticas (bucles cerrados, contactos bilaterales) o modelos de fricción no lineales lleva a modelos sesgados. Además, la falta de sensores de par torque directo en robots modernos dificulta la identificación de la fricción.
Escalabilidad: Los métodos bayesianos suelen ser computacionalmente costosos, lo que limita su aplicación en horizontes temporales largos o datos de alta frecuencia.

2. Metodología Propuesta

Los autores proponen un marco unificado de identificación de sistemas bayesiana que estima conjuntamente las trayectorias de estado del robot y sus parámetros físicos con alta precisión. El enfoque se basa en los siguientes pilares:

Formulación Bayesiana con Restricciones Duras:
- Se formula como un problema de optimización que minimiza el error de predicción sujeto a restricciones de igualdad y desigualdad.
- Dinámica Inversa: Utiliza la dinámica inversa como una restricción de igualdad dura en cada paso de tiempo, desacoplando el integrador numérico de la dinámica del sistema. Esto mejora el acondicionamiento numérico y la consistencia física.
- Restricciones de Contacto y Bucles: Incorpora explícitamente restricciones de contacto bilateral, bucles cinemáticos cerrados (como en las piernas de cuadrúpedos) y mapas de reinicio (reset maps) para eventos discretos (impactos).
Modelado de Parámetros y Fricción:
- Parámetros Inerciales Físicos: Utiliza una parametrización basada en el Exponential-Eigenvalue (EE) para garantizar que los parámetros de masa, centro de masa e inercia sean siempre físicamente realizables (masa positiva, inercia definida positiva, desigualdades triangulares).
- Modelo de Fricción No Lineal: Emplea un modelo suave y diferenciable que captura efectos de stiction, fricción seca (Coulomb), viscosa y Stribeck.
- Observaciones Basadas en Energía: Para disociar los efectos de la fricción de la dinámica inercial (especialmente sin sensores de par), se introducen observaciones de energía. Se compara la potencia de entrada con el cambio en la energía mecánica y la energía disipada por fricción.
Manejo de Perturbaciones:
- Se modela el ruido del proceso como un proceso estocástico gaussiano que se proyecta sobre el espacio tangente de las restricciones. Esto asegura que las perturbaciones respeten las restricciones cinemáticas y de contacto, manteniendo la consistencia dinámica.
Solución Computacional Eficiente:
- Se deriva un algoritmo de recursión de Riccati con restricciones de igualdad parametrizada.
- Este solucionador explota la estructura de banda y la naturaleza de Markov del problema, logrando una complejidad lineal ( $O(N)$ ) en el horizonte temporal, lo que permite escalar a conjuntos de datos largos y de alta frecuencia.
- Se utilizan derivadas analíticas exactas para la dinámica híbrida, los bucles cerrados y los mapas de reinicio.

3. Contribuciones Clave

Marco Unificado: Integración de dinámica inversa, restricciones de contacto/bucles cerrados y modelos de fricción completos dentro de un solo problema de optimización bayesiana.
Consistencia Física Garantizada: Uso de parametrizaciones de Lie y mapas exponenciales para asegurar que los parámetros identificados sean físicamente válidos (masas positivas, inercias estables).
Identificabilidad Mejorada: Introducción de observaciones basadas en energía para resolver la ambigüedad entre inercia y fricción, mejorando la estimación sin necesidad de sensores de par adicionales.
Escalabilidad: Desarrollo de un solucionador de Riccati con restricciones que mantiene la eficiencia computacional necesaria para la identificación en tiempo real o en grandes conjuntos de datos.
Validación Experimental: Demostración en múltiples plataformas (simuladas y reales), incluyendo el cuadrúpedo Unitree B1 con un brazo Z1, que posee mecanismos de cuatro barras complejos.

4. Resultados y Validación

Los experimentos se realizaron en simulación y en hardware, comparando el método propuesto con enfoques de dinámica hacia adelante y métodos frecuentistas desacoplados.

Convergencia y Precisión:
- La formulación de dinámica inversa convergió más rápido y con menor error en la estimación de trayectorias y parámetros que la dinámica hacia adelante, especialmente en escenarios con muchos contactos.
- La inclusión de restricciones de parámetros (simetría izquierda-derecha, masa total) redujo significativamente el error en la identificación de parámetros inerciales sin sacrificar la precisión de la trayectoria.
Impacto de las Observaciones de Energía:
- Aunque aumentó ligeramente el número de iteraciones y el costo final, las observaciones de energía redujeron el error de estimación de la fricción hasta en un 50% en sistemas complejos (bipedos, cuadrúpedos, manipuladores).
Comparación con Métodos Clásicos:
- El método propuesto superó consistentemente a los regresores de dinámica inversa clásicos y a los basados en energía puros, mostrando mayor robustez ante ruido gaussiano en los sensores.
Validación en Hardware (Unitree B1 + Z1):
- El modelo identificado capturó con precisión la dinámica de los mecanismos de cuatro barras y la fricción reflejada en los actuadores.
- Al utilizar el modelo identificado en controladores predictivos (MPC), se observó una mejora medible en el seguimiento de trayectorias durante la locomoción en terrenos difíciles y la escalada de escaleras, en comparación con modelos nominales no identificados.

5. Significado e Impacto

Este trabajo representa un avance significativo en la robótica dinámica al proporcionar una ruta escalable y rigurosa para la identificación de sistemas que respetan las leyes físicas y las restricciones geométricas complejas.

Cierre de la Brecha Sim2Real: Al proporcionar modelos dinámicos precisos y consistentes, facilita el despliegue de controladores avanzados (MPC, Aprendizaje por Refuerzo) en robots reales.
Robustez en Entornos Complejos: La capacidad de manejar bucles cinemáticos y contactos múltiples de manera explícita es crucial para robots de patas (legged robots) y manipuladores subactuados.
Eficiencia Computacional: La derivación de la recursión de Riccati con restricciones permite que estos métodos bayesianos complejos sean viables para aplicaciones en tiempo real o procesamiento de grandes volúmenes de datos, superando la barrera de la complejidad computacional tradicional.

En resumen, el artículo presenta un marco teórico y práctico que unifica la estimación de estado, la identificación de parámetros y el manejo de restricciones, logrando modelos físicos más precisos y fiables para la próxima generación de robots ágiles.