Multifingered force-aware control for humanoid robots

Este artículo presenta un esquema de control basado en modelos que utiliza estimaciones de fuerza derivadas de sensores táctiles para adaptar la postura de un robot humanoide y redistribuir las fuerzas, logrando un contacto estable con objetos de diversas distribuciones de masa mediante la minimización de la distancia entre el centro de presión y el centroide del polígono de contacto.

Lo esencial

Imagina que tienes un robot humanoide llamado ergoCub y le pides un reto muy difícil: que sostenga una bandeja con una mano, como si fuera un camarero, pero con un truco. Dentro de la bandeja hay un objeto misterioso. No sabes si es una caja de té llena de bolas de plástico, una bolsa de arena o un bloque de metal. No sabes dónde está el centro de gravedad ni si el objeto se va a deslizar o rodar.

El objetivo es que el robot mantenga la bandeja equilibrada sin que el objeto se caiga, solo usando el "tacto" de sus dedos.

Aquí te explico cómo lo lograron, usando analogías sencillas:

1. El problema: "Ver" con las manos

Los robots suelen ser muy buenos viendo (con cámaras), pero malos tocando. Si ves una caja, sabes que es cuadrada, pero no sabes si está llena de agua o de plomo.

• La analogía: Es como intentar equilibrar una bandeja con los ojos cerrados. Necesitas sentir cómo cambia el peso en tus dedos.
• El desafío: Los sensores táctiles de los robots a menudo son confusos. Es como tener un micrófono que a veces escucha el viento y a veces el ruido de la calle; es difícil saber qué es el "mensaje" real.

2. La solución: Traducir el "ruido" a "fuerza"

Los investigadores crearon un sistema para que el robot entienda lo que sienten sus dedos.

• El entrenamiento: Primero, "entrenaron" al robot. Pusieron sus dedos contra objetos que empujaban con una fuerza conocida (como un entrenador personal que mide cuánto levantas).
• La traducción: Crearon una pequeña inteligencia artificial (una red neuronal) que actúa como un traductor. Convierte las señales eléctricas confusas de los sensores en algo que el cerebro del robot entiende: "Estoy recibiendo 2 Newtons de presión aquí, y 1 Newton allá".
• El truco: En lugar de usar un solo traductor para todos los dedos (que sería como hablar con un acento genérico), entrenaron un traductor específico para cada dedo, porque cada uno es un poco diferente, igual que cada persona tiene su propia voz.

3. El cerebro del equilibrio: El "Centro de Presión"

Una vez que el robot sabe cuánto pesa cada dedo, necesita decidir cómo moverse. Aquí entra el concepto clave: el Centro de Presión (CoP).

• La analogía: Imagina que la bandeja es un barco y los dedos son los tripulantes. El "Centro de Presión" es el punto donde se concentra todo el peso del objeto sobre la bandeja.
• La regla de oro: Para que el barco no se hunda (o la bandeja no se caiga), el peso debe estar justo en el centro de la tripulación. Si el objeto se mueve hacia la derecha, el robot debe inclinar la bandeza para que el peso vuelva al centro.
• La acción: El robot calcula constantemente: "¿Dónde está el peso ahora? ¿Dónde debería estar?". Si hay una diferencia, el robot mueve suavemente su muñeca, brazo y torso para inclinar la bandeja y "empujar" el objeto de vuelta al centro, como si estuviera guiando a un niño en un columpio.

4. El resultado: Un bailarín de bandejas

Pusieron a prueba al robot con 5 objetos diferentes (desde cajas ligeras hasta bolas de arena pesadas) y en diferentes posiciones.

• El éxito: El robot logró mantener el equilibrio en el 82.7% de los intentos.
• La magia: Incluso cuando el objeto rodaba o se deslizaba, el robot reaccionaba tan rápido que corría el riesgo de que se cayera, ajustando la inclinación de la bandeja en milésimas de segundo.
• El fallo: A veces fallaba si el objeto era muy pesado y rodaba tan rápido que chocaba contra los bordes de la bandeja con demasiada fuerza (como un coche que frena de golpe y patina).

¿Por qué es importante esto?

Este trabajo es como enseñarle a un robot a tener "sentido común táctil".

• No necesita ver el objeto para saber cómo moverse; solo necesita sentirlo.
• Funciona con cualquier tipo de sensor táctil, no solo con los que usaron ellos.
• Es un paso gigante para que los robots puedan ayudar a los humanos en tareas delicadas, como servir comida, recoger objetos frágiles o ayudar a personas mayores, sin romper nada y sin necesitar que les digan exactamente qué hay en sus manos.

En resumen, han creado un robot que, al igual que un humano experto, aprende a equilibrar una bandeja cargada simplemente sintiendo la presión en sus dedos y ajustando su postura al instante, sin necesidad de mirar lo que lleva.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Multifingered force-aware control for humanoid robots" en español:

1. Problema Abordado

El trabajo se centra en el desafío de realizar manipulación no prensil (sostener y equilibrar objetos sin agarrarlos firmemente) en robots humanoides con manos multifinger. Específicamente, el objetivo es equilibrar un objeto de masa desconocida y distribución variable sobre una bandeja sostenida por la mano del robot.

Los retos principales identificados son:

• Limitaciones de la visión: La visión por computadora es excelente para la percepción, pero falla en capturar la dinámica de contacto y las fuerzas de interacción en tiempo real.
• Dependencia del sensor: Los métodos que utilizan señales táctiles "crudas" (raw signals) suelen ser específicos de un tipo de sensor y no se transfieren bien entre diferentes tecnologías.
• Complejidad del control: Las estrategias existentes suelen limitarse a tareas prensiles o a retroalimentación de un solo dedo, careciendo de estrategias de distribución de fuerzas en múltiples dedos para tareas de equilibrio dinámico.

2. Metodología Propuesta

Los autores proponen un esquema de control basado en modelos que opera en el dominio de la fuerza en lugar de en el dominio de la señal táctil cruda. El sistema se divide en tres componentes principales:

A. Estimación de Fuerzas y Caracterización del Sensor

• Hardware: Se utilizan sensores magnéticos personalizados Xela uSCu en las puntas de los dedos del robot humanoide ergoCub.
• Adquisición de Datos: Se construyó una plataforma de prueba con indentadores 3D y un sensor de fuerza/torque (ATI Nano17) para recolectar un conjunto de datos de 200k pares de fuerza-táctil.
• Modelado: Se entrenaron redes neuronales (MLP) para estimar vectores de fuerza 3D a partir de las lecturas de los sensores.
  • Hallazgo clave: Se entrenó un modelo independiente para cada dedo debido a la variabilidad entre sensores, logrando un error medio absoluto normalizado (MAE) del 9% (frente al 13% de un modelo compartido).
  • Se abordó el efecto de la gravedad en las lecturas táctiles mediante la inclusión de muestras sin contacto en el entrenamiento.

B. Arquitectura de Control

El controlador es una jerarquía que ajusta la postura del torso, brazo, muñeca y dedos para mantener el equilibrio:

1. Control de Posición de los Dedos (Optimización Cuadrática - QP):

   • Un controlador principal asegura que las puntas de los dedos mantengan contacto con un plano virtual $\Pi$ (la bandeja).
   • Utiliza una formulación QP para minimizar la distancia de los dedos al plano y alinear el centroide de los dedos con el origen del plano, respetando las restricciones cinemáticas y de aceleración de las articulaciones.
   • Incluye un módulo "Keep in Touch" (Mantener contacto) que ajusta finamente las articulaciones de los dedos basándose en umbrales de fuerza para compensar imprecisiones mecánicas y histeresis.

2. Control de la Pose del Plano (Dinámica del Centro de Presión - CoP):

   • El núcleo de la estrategia es minimizar la distancia entre el Centro de Presión (CoP) (calculado a partir de las fuerzas normales estimadas en los dedos) y el centroide geométrico del polígono de contacto de los dedos.
   • Si el CoP se desvía del centro, el sistema calcula una rotación necesaria para el plano $\Pi$ (la bandeja) para generar una fuerza de restauración que mueva el objeto de vuelta al centro.
   • Se utiliza un controlador proporcional-integral para generar la trayectoria de rotación del plano, permitiendo que el objeto se deslice suavemente sin caer.

3. Contribuciones Clave

1. Conjunto de Datos Calibrado: Publicación de un dataset con fuerzas 3D calibradas, poses relativas y salidas táctiles para sensores Xela personalizados, recolectado con una plataforma dedicada.
2. Caracterización del Sensor: Un análisis exhaustivo de la repetibilidad, consistencia entre sensores y el efecto de la gravedad en los sensores táctiles, ofreciendo insights sobre su uso en manipulación.
3. Algoritmo de Control Multifinger: Propuesta de un algoritmo de control que distribuye fuerzas en una mano multifinger para equilibrar objetos. Al operar en el dominio de la fuerza estimada, el método es agnóstico al tipo de sensor, lo que facilita su transferencia a otras plataformas.

4. Resultados Experimentales

El sistema se validó en la tarea de equilibrar una bandeja con objetos de diferentes masas, formas y distribuciones internas (cajas de té, bolas de arena, cajas de aluminio).

• Tasa de Éxito Global: Se logró una tasa de éxito del 82.7% en tareas de un solo objeto y del 80% en escenarios con múltiples objetos.
• Rendimiento por Objeto:
  • Los objetos más ligeros y con baja fricción (Objetos 1 y 5) tuvieron el mejor rendimiento.
  • Los objetos con alta fricción (Objeto 3) o que ruedan fácilmente (Objeto 4) presentaron más dificultades, requiriendo mayores inclinaciones del plano o generando impactos fuertes contra los bordes de la bandeja.
• Ablación de Estimadores: El uso de un único modelo de red neuronal compartido para todos los dedos redujo el rendimiento en un 26%, confirmando la necesidad de modelos específicos por dedo para una estimación de fuerza precisa.
• Frecuencia de Control: Reducir la frecuencia de control a 50 Hz disminuyó la tasa de éxito en un 9%, destacando la importancia de la reactividad del sistema.

5. Significado e Impacto

Este trabajo representa un avance significativo en la robótica de manipulación porque:

• Generalización: Al abstraer las señales táctiles a fuerzas estimadas, el controlador no depende de la tecnología específica del sensor, lo que lo hace aplicable a una amplia gama de robots.
• Integración Cuerpo-Mano: Es uno de los primeros trabajos que combina un controlador de cuerpo completo (torso/brazo) con una distribución de fuerzas multifinger para tareas de manipulación no prensil.
• Robustez: Demuestra que es posible equilibrar objetos desconocidos dinámicamente utilizando solo retroalimentación táctil local, sin necesidad de modelos dinámicos precisos del objeto.

Limitaciones Futuras:
Los autores reconocen que la fricción de los tendones del robot causa desalineaciones que el control "Keep in Touch" mitiga pero no elimina completamente. Además, el generador de trayectorias actualmente solo ajusta la orientación angular del plano, no su posición lineal, y la falta de sensores en la palma del robot puede causar errores si el objeto toca la mano. El trabajo futuro apunta a integrar este controlador como una política de bajo nivel en marcos de manipulación más complejos, incluyendo manipulación bimanual.