Data-Driven Autoregressive Power Prediction for GTernal Robots in the Robotarium

Resumen Técnico: Predicción de Potencia Autoregresiva Basada en Datos para Robots GTernal en el Robotarium

1. El Problema

Los algoritmos de coordinación multi-robot que incorporan conciencia energética (para control de cobertura, asignación de tareas o aprendizaje por refuerzo) requieren modelos precisos de consumo de energía. Sin embargo, los enfoques existentes se basan principalmente en aproximaciones cinemáticas (funciones polinómicas de la velocidad o comandos del motor).

• Limitación: Estos modelos ignoran dinámicas complejas del hardware real, como la dinámica térmica de los motores, comportamientos transitorios durante la aceleración, sobrecarga de comunicación inalámbrica y ciclos de trabajo de sensores.
• Consecuencia: Al enfrentarse a datos de telemetría real, los modelos cinemáticos generan errores de predicción significativos, lo que impide una planificación fiable de la batería y el riesgo de fallos inesperados en simuladores y hardware físico.

2. Metodología

Los autores proponen un predictor autoregresivo ligero basado en datos para la plataforma móvil GTernal, desplegada en el Robotarium de Georgia Tech.

• Recolección de Datos:

  • Se recopilaron 48,000 muestras de telemetría de potencia de un solo robot GTernal durante seis ensayos de movimiento distintos (26.5 minutos de operación total).
  • Los datos incluyen comandos de velocidad lineal ($v$) y angular ($\omega$), así como lecturas de potencia reales medidas por un monitor INA260 con una precisión de 10 mW a una tasa de 30 Hz.
  • Los ensayos cubrieron patrones variados: movimiento estructurado, navegación a objetivos, variaciones de aceleración, extremos de velocidad, paseos aleatorios y estados estacionarios.

• Análisis Estadístico Clave:

  • El análisis reveló una autocorrelación temporal extremadamente fuerte en el consumo de energía ($\rho_1 = 0.95$).
  • Se descubrió que la historia reciente de potencia contiene mucha más información predictiva que el estado cinemático actual. Mientras que las características de velocidad explican solo el 16% de la varianza, un solo valor de potencia anterior explica el 90%.
  • Esto sugiere que la dinámica de potencia está gobernada por estados de hardware latentes (efectos térmicos, transitorios de WiFi) que persisten en el tiempo, más que por la cinemática instantánea.

• Arquitectura del Modelo:

  • Se diseñó una Red Neuronal de Perceptrón Multicapa (MLP) autoregresiva.
  • Entrada: Un vector de 11 dimensiones que incluye 6 características de velocidad ($v, \omega$, sus derivadas y valores absolutos) y 5 lags históricos de potencia normalizada.
  • Estructura: Tres capas ocultas con dimensiones 64, 64 y 32, utilizando funciones de activación GELU (Gaussian Error Linear Unit) para mayor estabilidad en regresiones continuas.
  • Parámetros: El modelo es muy ligero, con solo 7,041 parámetros.
  • Entrenamiento: Se utilizó el optimizador Adam con early stopping. El conjunto de entrenamiento abarcó 4 ensayos, uno para validación y uno para prueba.

3. Contribuciones Clave

1. Caracterización de la Dinámica de Potencia: Demostración empírica de que la potencia en robots móviles difiere de los modelos cinemáticos tradicionales, estando dominada por la persistencia temporal (autoregresión) debido a factores de hardware latentes.
2. Modelo Autoregresivo Eficiente: Desarrollo de un predictor MLP que alcanza el "techo teórico" de predicción impuesto por el ruido de medición ($R^2 \approx 0.90$) utilizando un número mínimo de parámetros.
3. Transferencia Zero-Shot: Validación física del modelo en siete robots no vistos durante tareas de evitación de colisiones, demostrando que el modelo generaliza sin necesidad de reentrenamiento, a pesar de las variaciones de fabricación entre unidades.
4. Recursos Abiertos: Publicación del modelo entrenado, el conjunto de datos y el código de implementación en GitHub para fomentar el desarrollo de algoritmos multi-robot conscientes de la energía.

4. Resultados

• Precisión en Validación (Un solo robot):
  • En el conjunto de prueba retenido, el modelo alcanzó un $R^2 = 0.92$ con un Error Absoluto Medio (MAE) de 31.5 mW (0.86% del consumo medio).
  • El modelo sigue transiciones rápidas y niveles sostenidos con un retraso mínimo, evitando las oscilaciones típicas de los predictores puramente cinemáticos.
• Validación Física Multi-robot:
  • En un escenario de evitación de colisiones con 7 robots distintos, el modelo logró un $R^2$ medio de 0.87.
  • El error acumulado de predicción de energía por ensayo se mantuvo por debajo del 2.3% para todos los robots.
  • Esto confirma que la estructura autoregresiva es robusta ante cambios en el nivel absoluto de consumo entre diferentes unidades físicas.
• Rendimiento Computacional:
  • La inferencia toma 224 µs por paso, permitiendo una tasa de procesamiento de 4,500 Hz.
  • Esto es 150 veces más rápido que la tasa de control de 30 Hz del Robotarium, lo que permite su despliegue en tiempo real en hardware embebido (como la Raspberry Pi del robot) sin depender de GPUs.

5. Significado e Impacto

Este trabajo cambia el paradigma de modelado de energía en robótica móvil:

• Superación de Modelos Físicos: Demuestra que para plataformas reales, los modelos basados en datos que aprovechan la autocorrelación temporal superan a los modelos físicos basados en cinemática.
• Viabilidad en Tiempo Real: La ligereza del modelo permite integrarlo directamente en el bucle de control de robots con recursos limitados, habilitando algoritmos de planificación y asignación de tareas que consideran el agotamiento de la batería en tiempo real.
• Generalización: La capacidad de transferir el modelo a robots no vistos sin reentrenamiento es crucial para escalar sistemas multi-robot, donde calibrar individualmente cada unidad sería inviable.
• Herramienta para la Comunidad: Al liberar el dataset y el modelo, los autores facilitan el desarrollo de nuevas estrategias de aprendizaje por refuerzo y control que sean conscientes de la energía en el Robotarium y plataformas similares.