Robot Arm Control via Cognitive Map Learners

Resumen Técnico: Control de Brazo Robótico mediante Aprendices de Mapas Cognitivos (CML)

1. Planteamiento del Problema

El aprendizaje profundo tradicional (DNN) suele implementarse como soluciones monolíticas, donde un solo modelo se entrena para una tarea específica. Esto limita la composibilidad: es difícil combinar modelos preentrenados para resolver problemas más complejos sin un reentrenamiento costoso o un ajuste fino (fine-tuning) como entidad única. Además, la cinemática inversa (IK) tradicional para robótica, aunque efectiva, enfrenta desafíos como singularidades y requiere ecuaciones matemáticas complejas que no siempre se adaptan bien a arquitecturas de aprendizaje modular.

El objetivo de este trabajo es demostrar un enfoque de aprendizaje de máquina composicional donde módulos independientes (Aprendices de Mapas Cognitivos o CML) pueden combinarse para controlar un brazo robótico multi-articulado sin reentrenamiento, evitando el uso de ecuaciones de cinemática inversa.

2. Metodología

La propuesta se basa en la integración de Computación Hiperdimensional (HDC) y Aprendices de Mapas Cognitivos (CML).

• Representación de Estados (HDC):
  • Se utiliza Codificación de Potencia Fraccional (FPE) con hipervectores de fase (phasor hypervectors) para codificar posiciones en el espacio cartesiano 2D y 3D.
  • Un punto objetivo $(a, b)$ se codifica como un hipervector $p = x^a \odot y^b$, donde $x$ e $y$ son vectores base. La multiplicación de hipervectores en HDC equivale a la suma de sus exponentes, permitiendo manipular posiciones algebraicamente.
• Arquitectura CML:
  • Cada segmento del brazo robótico es controlado por un CML independiente. Un CML es una colección de redes neuronales de una sola capa que aprenden la topología de un grafo abstracto (estados de nodos, acciones de aristas y disponibilidad de acciones).
  • Los CMLs no se entrenan explícitamente para la planificación de rutas; en su lugar, aprenden transiciones de estado pares. Sin embargo, pueden iterativamente planificar un camino desde un estado actual hasta un estado deseado utilizando un algoritmo de "ganador se lleva todo" (Winner-Take-All) basado en la utilidad de las acciones.
• Factorización de Hipervectores (El núcleo del control):
  • El problema de encontrar los ángulos de los segmentos del brazo para alcanzar un punto objetivo se reinterpreta como un problema de factorización de hipervectores (equivalente al problema de la mochila o suma de subconjuntos).
  • Dado el hipervector objetivo $p$, el sistema debe descomponerlo en una serie de estados de ángulos de los segmentos ($s_1, s_2, s_3$) tal que $p \approx s_1 \odot s_2 \odot s_3$.
  • Se utilizan dos métodos para esta factorización:
    1. Red Resonadora (Resonator Network): Itera para converger en una solución, buscando múltiples factorizaciones simultáneamente mediante superposición.
    2. Red Hopfield Moderna: Utiliza una aproximación de una sola iteración (softmax) para restaurar patrones almacenados en un código (codebook) de estados posibles.
• Ejecución del Movimiento:
  • Una vez que la red de factorización recupera los hipervectores de ángulo objetivo para cada segmento, estos se envían a sus respectivos CMLs.
  • Cada CML calcula en paralelo la secuencia de transiciones de estado necesaria para mover su segmento desde su posición actual hasta la posición objetivo, logrando el posicionamiento del efector final sin cálculos de cinemática inversa.
• Extensión a 3D:
  • Para brazos en 3D, se aborda la no conmutatividad de las rotaciones. Se convierte el objetivo a coordenadas esféricas. La base rotatoria se controla mediante un CML de codificación circular (orientación egocéntrica), mientras que los segmentos del brazo utilizan FPE (orientación alocéntrica).

3. Contribuciones Clave

• Flujo de Trabajo Composicional: Definición de un marco donde múltiples CMLs independientes, entrenados por separado, se orquestan para controlar un sistema complejo (brazo robótico) mediante un espacio de representación compartido (hipervectores).
• Reinterpretación de la Cinemática: Transformación del problema de control de brazos en un problema de factorización de hipervectores, resolviéndolo mediante redes neuronales (Resonator o Hopfield) en lugar de álgebra geométrica tradicional.
• Solución sin Cinemática Inversa: Demostración de que un brazo robótico puede reorientarse a un punto objetivo sin utilizar ecuaciones de cinemática inversa, evitando así problemas de singularidad mediante el relajamiento iterativo del umbral de similitud.
• Generalización: Presentación de una solución general para brazos 2D con $n$ segmentos y una solución específica para un brazo 3D con base rotatoria.

4. Resultados

Los experimentos se realizaron en brazos de 3 segmentos en entornos 2D (sin restricciones físicas) y 3D (con restricciones de colisión y suelo).

• Precisión y Cobertura:
  • En el caso 2D, el uso de estados de ángulo con números primos consecutivos ($m = [19, 23, 29]$) permitió cubrir el 98.8% de las celdas de la cuadrícula objetivo, a pesar de tener menos estados totales que una configuración uniforme.
  • La desviación media (error euclidiano) fue de 0.071 para la red resonadora y 0.061 para la red Hopfield en el caso 2D.
  • En el caso 3D restringido, se mantuvo una cobertura del 99.4% en el primer cuadrante, con errores medios de 0.082 (Resonador) y 0.065 (Hopfield).
• Eficiencia de Factorización:
  • La red Hopfield tendió a requerir más reinicializaciones para encontrar una solución válida en comparación con la red resonadora (promedio de 31.6 vs 15.0 intentos en 2D), aunque ambas lograron soluciones con alta similitud (>0.99).
  • El sistema es capaz de encontrar múltiples configuraciones de brazo válidas para un mismo punto objetivo (promedio de ~5-7 configuraciones por punto), ofreciendo flexibilidad para futuras optimizaciones (ej. evitar obstáculos).
• Relación Similitud-Error: Se observó una fuerte correlación entre la similitud del hipervector reconstruido y el error de posición física; un umbral de similitud de 0.99 correspondía a un desplazamiento aceptable (<0.1).

5. Significado e Impacto

Este trabajo es significativo porque:

1. Valida la Computación Composicional: Demuestra que los módulos de aprendizaje (CML) pueden ensamblarse "a la carta" para tareas complejas sin reentrenamiento, superando una limitación fundamental de las DNN monolíticas.
2. Alternativa a la Cinemática Inversa: Ofrece un enfoque basado en la memoria asociativa y la álgebra de hipervectores que es inherentemente robusto frente a singularidades y adaptable a cambios en la topología del robot (ej. añadir o quitar segmentos).
3. Escalabilidad: El marco propuesto se extiende naturalmente a sistemas más complejos, como robots cuadrúpedos (donde cada pata tendría sus propios CMLs), sugiriendo un camino hacia el control de enjambres o robots modulares.
4. Implementación en Hardware: La naturaleza de las operaciones con hipervectores y la mención de su implementación en redes de espigas (spiking neural networks) en hardware neuromórfico (como Loihi) sugiere un potencial para la implementación eficiente en energía en plataformas robóticas embebidas.

En conclusión, el paper establece un nuevo paradigma para el control robótico que fusiona la planificación de rutas cognitiva con la computación simbólica hiperdimensional, logrando un control preciso y modular sin depender de modelos geométricos rígidos.