Resumen Técnico: Planificación de Movimiento de Seguimiento del Líder Basada en Muestreo para Robots Continuos Montados en Manipuladores

1. Formulación del Problema

El artículo aborda el problema de planificación de movimiento para el movimiento de Seguimiento del Líder (FTL) en Robots Continuos (CR) montados en manipuladores robóticos con poses de base totalmente actuadas de 6 grados de libertad (6-DOF) ($SE(3)$).

• Contexto: FTL es un primitivo de movimiento crítico donde el cuerpo del robot retrace la trayectoria de su punta, minimizando las fuerzas laterales sobre los tejidos o estructuras circundantes. Aunque ha sido estudiado extensamente para robots tipo serpiente, agujas steerables y robots de tubos concéntricos, los métodos existentes para CR accionados por tendones (TDCRs) suelen asumir una base fija o una inserción lineal de un solo grado de libertad (1-DOF).
• La Brecha: Las implementaciones prácticas involucran cada vez más el montaje de CR en manipuladores serie (por ejemplo, brazos quirúrgicos, robots de inspección industrial). Esto introduce una pose de base de 6-DOF que debe coordinarse con la configuración interna del robot ($Q$).
• El Desafío: El espacio de configuraciones combinado ($K = SE(3) \times Q$) es de alta dimensión y no lineal. Los enfoques existentes a menudo dependen de modelos cinemáticos simplificados (por ejemplo, Curvatura Constante por Trozos, PCC) y optimización iterativa (por ejemplo, solucionadores de cinemática inversa). Estos métodos sufren de:
  • Sensibilidad a la inicialización y convergencia a mínimos locales.
  • Incapacidad para utilizar modelos forward complejos y precisos (por ejemplo, varilla de Cosserat, FEM, redes neuronales) debido al costo computacional.
  • Falta de garantías formales sobre la completitud de la solución o la precisión del seguimiento de la punta.

Objetivo: Dado un conjunto ordenado de puntos de paso 3D $W$, generar un plan de movimiento continuo donde la punta del robot rastree la trayectoria exactamente, y el cuerpo insertado minimice la desviación de la trayectoria, optimizando conjuntamente la configuración del CR y la pose de base de 6-DOF.

2. Metodología

Los autores proponen un marco basado en muestreo que desacopla la búsqueda global de formas de la interpolación local y la determinación de la pose de base. La innovación central es una construcción geométrica de forma cerrada que determina de manera única la pose de base de 6-DOF para cualquier forma candidata, eliminando la necesidad de optimización iterativa durante la planificación en línea.

A. Generación de Biblioteca Offline

• Una biblioteca de formas se precalcula offline muestreando uniformemente el espacio de configuraciones del CR $Q$.
• Para cada muestra, un modelo forward general (FM) calcula los puntos discretizados de la columna vertebral.
• Esto traslada la carga computacional de los modelos cinemáticos complejos a la fase offline, permitiendo el uso de modelos imprácticos para la optimización en línea.
• Agrupamiento (Clustering): Para reducir la complejidad de la búsqueda en línea de $O(N_{lib})$ a $O(\sqrt{N_{lib}})$, las formas se agrupan basándose en la similitud pairwise. Durante la ejecución, el planificador evalúa primero los centros de los grupos y luego busca exhaustivamente el grupo mejor coincidente.

B. Alineación de la Pose de Base en Línea (Construcción Geométrica)

Para cada punto de paso $w_i$ y una forma candidata $S$ de la biblioteca, la pose de base $T_b \in SE(3)$ se determina mediante tres transformaciones secuenciales para alinear la forma a la trayectoria activa:

1. Traslación: Trasladar la forma para que la punta ($p_D$) coincida exactamente con el punto de paso actual $w_i$.
2. Rotación alrededor de la Punta: Rotar la forma alrededor de $w_i$ para alinear el vector desde el punto de la forma activa hasta la punta con la dirección de la trayectoria.
3. Rotación Axial: Resolver el grado de libertad rotacional restante (torsión) alineando un tercer punto de correspondencia (basado en la relación de longitud de arco) con la trayectoria.

Propiedad Clave: Esta construcción garantiza la colocación exacta de la punta ($p_D = w_i$) por diseño, independientemente de la forma seleccionada, sin resolución iterativa.

C. Evaluación y Selección de la Forma

• La desviación entre la forma transformada y la trayectoria activa se calcula utilizando una distancia de Chamfer simétrica.
• Se selecciona la forma que minimiza esta desviación. El proceso es paralelizable a través de la biblioteca.
• La configuración seleccionada $(q, T_b)$ forma un plan de movimiento disperso.

D. Interpolación Local

Para generar una trayectoria continua para la implementación:

• Pre-alineación por Simetría Radial: Las configuraciones consecutivas se pre-alinean rotándolas hacia una dirección de referencia común, aprovechando la simetría radial del CR para minimizar las discontinuidades de orientación.
• Interpolación Suave: Las configuraciones intermedias se generan interpolando linealmente los estados de las articulaciones y utilizando SLERP para la orientación de la punta.
• Reconstrucción de la Pose de Base: Para cada paso de interpolación, la pose de base se construye utilizando la inversa de la pose de la punta del modelo forward relativa a la pose de punta interpolada deseada. Esto garantiza que el seguimiento exacto de la punta se mantenga durante todos los pasos de interpolación.

3. Garantías Teóricas

El artículo establece garantías formales que típicamente están ausentes en los enfoques basados en optimización:

1. Completitud de Resolución: A medida que el tamaño de la biblioteca $N_{lib} \to \infty$, la probabilidad de encontrar un plan válido (si existe) se aproxima a 1. Esto depende de la continuidad de Lipschitz de la métrica de desviación de la forma.
2. Seguimiento Exacto de la Punta por Construcción: La alineación geométrica asegura que la punta esté exactamente en el punto de paso en cada paso discreto.
3. Convergencia Asintótica del Seguimiento de la Punta: A medida que aumenta el número de pasos de interpolación, la desviación máxima de la punta respecto a la trayectoria lineal entre los puntos de paso desaparece ($O(1/h^2)$).

4. Resultados Experimentales

El método fue evaluado en tres configuraciones:

A. Modelo PCC vs. Línea Base de Optimización

• Configuración: 120 trayectorias en tres clases (curvas en C, curvas en S, curvas de robot). Comparado contra una línea base de optimización L-BFGS-B.
• Resultados:
  • Error de Punta: 0% para el método propuesto (vs. ~1.2% para la optimización).
  • Desviación de la Forma: La variante de búsqueda lineal superó a la línea base de optimización (por ejemplo, 1.25% vs 1.74% para curvas en C).
  • Eficiencia: La variante agrupada redujo el tiempo de cálculo en más de un orden de magnitud (por ejemplo, ~1.8s vs ~40s) con una pérdida mínima en la precisión de la forma.

B. Simulación MuJoCo (Modelo de Cuerpo Pseudo-Rígido)

• Configuración: Se utilizó un modelo PRB identificado en el sistema con 30 eslabones rígidos y articulaciones elásticas para simular deformación realista y acoplamiento de segmentos.
• Resultados: Se logró un error de punta del 0%. La desviación de la forma fue ligeramente mayor (~2.5–3.2%) debido a la complejidad del modelo, pero permaneció competitiva, demostrando la escalabilidad a modelos forward complejos.

C. Demostración en Hardware

• Configuración: Un CR de 3 segmentos accionado por tendones montado en un manipulador Franka de 7-DOF.
• Resultados: El robot ejecutó con éxito movimientos FTL coordinados.
  • Error de Punta: Los errores observados en el hardware (media 5.5%–9.1%) se atribuyeron a la brecha entre el modelo identificado en el sistema y la realidad física (estiramiento de tendones, fricción, histéresis) en lugar de un fallo del planificador.
  • Validación: Los resultados del hardware confirmaron que el planificador genera trayectorias suaves y ejecutables que logran un movimiento FTL cualitativamente correcto.

5. Significado y Afirmaciones

El artículo afirma presentar el primer método de planificación de movimiento FTL para robots continuos con una base totalmente actuada $SE(3)$ que proporciona garantías formales de planificación.

• Desacoplamiento: La contribución principal es el desacoplamiento de la búsqueda de formas de la determinación de la pose de base. Al resolver la pose de base geométricamente, el método evita los mínimos locales y los cuellos de botella computacionales de la optimización iterativa en espacios de alta dimensión.
• Agnosticismo del Modelo: El marco soporta cualquier modelo forward (PCC, Cosserat, FEM, Redes Neuronales) trasladando la computación pesada a la fase offline.
• Practicidad: Cierra la brecha entre la planificación teórica y la implementación práctica en sistemas montados en manipuladores, ofreciendo un compromiso principiado entre velocidad (mediante agrupamiento) y precisión.
• Seguridad y Predecibilidad: Las garantías teóricas (completitud de resolución y seguimiento exacto de la punta) abordan requisitos críticos de seguridad donde el comportamiento impredecible del planificador es inaceptable.

Los autores señalan limitaciones, incluida la asunción de un modelo forward independiente de la pose de base (ignorando los efectos de la gravedad) y la falta de optimización de la forma a lo largo de toda la trayectoria, sugiriendo estos como direcciones para trabajos futuros.