🤖 machine learning

Elastic ODYN: Differentiable Optimization for Infeasible Control and Learning in Robotics

Este artículo presenta Elastic ODYN, un resolvedor y marco de trabajo de QP primal-dual diferenciable que maneja de manera robusta tareas de control y aprendizaje infactibles en robótica mediante el empleo de relajaciones elásticas suaves para asegurar la estabilidad numérica, la convergencia hacia las soluciones más cercanas a la factibilidad y el cálculo fiable de gradientes incluso bajo objetivos conflictivos y condiciones de contacto degeneradas.

Autores originales: Aristotelis Papatheodorou, Jose Rojas, Ioannis Havoutis, Carlos Mastalli

Publicado 2026-06-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Aristotelis Papatheodorou, Jose Rojas, Ioannis Havoutis, 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

Imagina que estás intentando planificar una compleja rutina de baile para un robot. Tienes un conjunto de reglas estrictas: "No te caigas", "Mantén tu mano sobre la mesa" y "Mueve tu pie exactamente aquí". En el mundo real, los robots a menudo se enfrentan a situaciones en las que estas reglas se contradicen entre sí. Tal vez el suelo es resbaladizo, o los sensores del robot están ligeramente descalibrados, o las reglas mismas son imposibles de satisfacer todas a la vez.

En el mundo de las matemáticas de la robótica, esto se llama un problema infactible. La mayoría de los programas informáticos existentes (llamados "solvers") son como profesores rígidos: si un estudiante rompe incluso una regla, el profesor se detiene, levanta las manos y dice: "¡No puedo resolver esto!". Esto hace que el robot se congele, se bloquee o se comporte de manera impredecible.

El artículo presenta una nueva herramienta llamada ELASTIC ODYN. Así es como funciona, utilizando analogías sencillas:

1. La solución de la "Banda Elástica" (Restricciones Elásticas)

En lugar de tratar las reglas como paredes de acero irrompibles, ELASTIC ODYN las trata como bandas elásticas.

La forma antigua: Si un robot intenta tocar una pared pero no logra alcanzarla del todo, las matemáticas se rompen.
La forma de ELASTIC ODYN: Si el robot no puede tocar la pared perfectamente, la banda elástica se estira solo un poquito. La computadora calcula la mejor solución posible donde las reglas se doblan lo menos posible, en lugar de rendirse por completo. Encuentra la respuesta "más cercana posible" a la petición imposible.

2. El "Operador Suave" (Diferenciabilidad)

Los robots actuales están aprendiendo de la experiencia, de forma similar a cómo un humano aprende a montar en bicicleta cayéndose y ajustándose. Para aprender, la computadora necesita entender por qué falló y cómo solucionarlo.

El problema: Cuando se rompen las reglas (infactibilidad), las herramientas matemáticas antiguas producen señales "dentadas" o rotas. Es como intentar conducir un coche con un volante que de repente se desprende al golpear un bache. El proceso de aprendizaje colapsa.
La solución: ELASTIC ODYN es "suave". Incluso cuando el robot rompe una regla, la señal matemática permanece continua y suave. Esto permite que el robot aprenda de sus errores incluso cuando la situación es desordenada o imposible, guiándolo suavemente hacia una mejor solución.

3. La "Etapa de Refinamiento" (Lograr que la física sea correcta)

Cuando las bandas elásticas se estiran, los números que la computadora produce (llamados "variables duales") son un poco difusos. Te dicen que una regla se rompió, pero no exactamente con qué fuerza el robot presionó contra la pared.

La solución: El artículo añade una "etapa de refinamiento" rápida. Piensa en esto como una segunda comprobación rápida. Una vez que la computadora encuentra la solución "estirada", ejecuta un cálculo rápido y ligero para traducir esos números difusos en fuerzas físicas reales (como con qué fuerza el pie del robot presiona el suelo). Esto asegura que el robot comprenda la física correctamente, incluso si tuvo que estirar una regla para lograrlo.

4. La actualización "SQP" (Manejo de tareas grandes y complejas)

Los autores también construyeron una versión más grande llamada ELASTIC ODYN SQP. Esta es para planificar secuencias largas y complejas de movimientos (como un robot caminando o bailando).

El escenario: A veces, el plan de un robot es imposible desde el principio (por ejemplo, intentar caminar a través de una pared).
La magia: En lugar de quedarse estancado, esta herramienta relaja selectivamente solo las reglas específicas que están causando el conflicto. Podría decir: "Está bien, no podemos alcanzar ese objetivo exacto, así que apuntemos al lugar justo al lado", mientras mantiene todas las demás reglas estrictas. Esto permite que el robot siga moviéndose y encontrando un camino, en lugar de congelarse.

Por qué esto es importante

El artículo probó esto en problemas matemáticos difíciles, simulaciones de contactos de robots (como un disco golpeando un tubo) y tareas de robots en el mundo real (como un perro cuadrúpedo caminando y un robot humanoide moviéndose).

El resultado:

Robustez: No se bloquea cuando las cosas salen mal.
Velocidad: Comienza a resolver problemas más rápido cuando se le da un "arranque en caliente" (una pista de un intento previo).
Aprendizaje: Permite a los robots aprender y optimizar incluso cuando sus tareas son imposibles o sus modelos son ligeramente erróneos.

En resumen, ELASTIC ODYN es un motor matemático más inteligente y flexible que permite a los robots seguir trabajando y aprendiendo incluso cuando el mundo no sigue las reglas perfectas.

Resumen Técnico: ELASTIC ODYN

Planteamiento del Problema

Los sistemas robóticos encuentran frecuentemente escenarios donde los problemas de optimización se vuelven infactibles debido a objetivos en conflicto, errores de modelado o condiciones de contacto degeneradas (por ejemplo, Jacobianos de contacto con rango deficiente). Los solvers de programación cuadrática (QP) estándar y las capas de optimización diferenciables suelen asumir la factibilidad. Cuando las restricciones no pueden satisfacerse simultáneamente, estos métodos suelen sufrir fallos numéricos, gradientes inestables o una ruptura completa del solver. Esta limitación obstaculiza el Control Predictivo por Modelo (MPC), la Programación Cuadrática Secuencial (SQP) y los procesos de aprendizaje basados en robótica, particularmente en entornos de alta dimensión y tiempo real donde las iteraciones intermedias pueden ser infactibles.

Metodología

El artículo presenta ELASTIC ODYN, un marco diseñado para manejar la infactibilidad, la degeneración y el mal condicionamiento mediante relajaciones elásticas suaves de tipo squared- $\ell_2$ . La metodología se construye sobre tres componentes principales:

1. El Solver ELASTIC ODYN

Este es un solver QP primal-dual de no punto interior. A diferencia de los métodos de punto interior (IPM) que requieren una estricta factibilidad para seguir una trayectoria central, ELASTIC ODYN opera fuera del conjunto factible.

Formulación Elástica: Las restricciones duras ( $Ax=b, Gx \le h$ ) se relajan utilizando variables elásticas ( $s_e, s_i$ ) con penalizaciones cuadráticas en el objetivo. Esto transforma el problema en una forma no restringida que permanece bien planteada incluso cuando las restricciones originales son contradictorias.
Enfoque de Penalización-Barrera: El solver utiliza una formulación de penalización-barrera donde una función de barrera actúa sobre una variable de consenso en lugar de actuar directamente sobre las variables de holgura. Esto permite que las iteraciones salgan del interior de la región factible manteniendo una estructura primal-dual bien definida.
Sistema Newton: El método emplea un sistema KKT elástico reducido resuelto mediante el método de Newton. Incorpora penalizaciones proximales sobre las variables primales y duales para asegurar la robustez bajo degeneración.
Convergencia: El solver tiene garantizado converger a la solución "más cercana a la factibilidad" (en un sentido de mínima violación $\ell_2$ ) cuando no existe un punto factible.

2. Refinamiento de Variables Duales

Si bien la formulación elástica proporciona una solución primal robusta, las variables duales asociadas codifican violaciones penalizadas en lugar de sensibilidades físicas reales (por ejemplo, fuerzas de contacto). Para abordar esto, los autores introducen una etapa de refinamiento ligera. Esta etapa parte de la solución primal elástica, desplaza las restricciones mediante las variables de relajación elástica óptimas y resuelve nuevamente el problema de restricciones duras. Esto recupera variables duales físicamente significativas y sensibilidades consistentes en solo unas pocas iteraciones.

3. Extensiones Diferenciables y SQP

ELASTIC ODYNLAYER: Una capa de QP diferenciable que extiende el solver a procesos de aprendizaje. Se mantiene estrictamente convexa y $C^1$ (continuamente diferenciable) incluso bajo infactibilidad. El paso hacia atrás combina gradientes implícitos a través del sistema KKT con correcciones explícitas derivadas de las variables de relajación elástica, asegurando gradientes estables para la identificación de parámetros incluso cuando las restricciones entran en conflicto.
ELASTIC ODYNSQP: Un método SQP consciente de la infactibilidad para el control óptimo no lineal. Resuelve linealizaciones inconsistentes y tareas infactibles intrínsecas mediante la relajación selectiva de categorías específicas de restricciones (por ejemplo, dinámica frente a cinemática) hacia el bloque elástico, manteniendo otras como duras. Emplea una función de mérito que equilibra las penalizaciones elásticas y los residuales duros para garantizar el descenso.

Principales Contribuciones

El artículo describe cuatro contribuciones primarias:

Solver ELASTIC ODYN: Un solver QP de no punto interior elástico $\ell_2$ -suave capaz de manejar robustamente problemas infactibles, degenerados y mal condicionados.
Recuperación Dual: Un procedimiento de refinamiento que recupera variables duales interpretables de la solución elástica, haciendo que el marco sea adecuado para aplicaciones de física de contacto.
Optimización Diferenciable: ELASTIC ODYNLAYER, una capa de QP libre de proyecciones y totalmente suave que produce derivadas bien definidas tanto para problemas factibles como infactibles, permitiendo el aprendizaje basado en gradientes en entornos restringidos.
SQP Consciente de la Infactibilidad: ELASTIC ODYNSQP, un marco que resuelve subproblemas inconsistentes y tareas de control óptimo infactibles mediante la relajación selectiva de restricciones.

Resultados Experimentales

El marco fue evaluado en cuatro dominios:

QPs de Referencia: En el conjunto de pruebas Maros–Mészáros, ELASTIC ODYN demostró un rendimiento de warm-start superior y menores tasas de fallo en comparación con solvers de vanguardia como PROXQP, OSQP y GUROBI, particularmente en regímenes de alta precisión y perturbados.
QPs Mal Condicionados/Infactibles: En pruebas con restricciones deliberadamente conflictivas y un mal escalado, ELASTIC ODYN convergió consistentemente a las soluciones analíticas de mínimos cuadrados, mientras que sus competidores a menudo fallaron o agotaron el tiempo de ejecución.
Mecánica de Contacto: En una simulación de disco en tubo sin fricción con normales de contacto degeneradas, el solver resolvió con éxito las singularidades al admitir una penetración controlada, restaurando la generación de fuerza donde los métodos estándar fallarían.
Aprendizaje y Control:
- Identificación de Parámetros: La capa diferenciable entrenó con éxito un coeficiente de restitución en un entorno de impacto elástico, convergiendo suavemente al valor real a pesar de la infactibilidad inicial.
- Optimización de Trayectorias: En tareas de locomoción cuadrúpeda (ANYmal) y humanoide (Talos), ELASTIC ODYNSQP convergió a soluciones factibles o de mínimos cuadrados donde los métodos SQP de restricciones duras se estancaron o divergieron, incluso bajo objetivos conflictivos y restricciones estrictas.

Significado

El artículo afirma que ELASTIC ODYN unifica el manejo de la infactibilidad, la robustez numérica y la diferenciabilidad, abordando una deficiencia fundamental en los procesos actuales de robótica e IA basados en optimización. Al ir más allá de las suposiciones de estricta factibilidad, el marco permite:

Control Robusto: Operación fiable en entornos dinámicos donde las restricciones pueden entrar en conflicto temporalmente.
Aprendizaje Estable: La capacidad de entrenar capas de optimización a través de regiones infactibles sin colapso de gradientes.
Marco Unificado: Un único enfoque que maneja tareas de simulación, control y aprendizaje que anteriormente eran propensas a la ruptura del solver debido a la infactibilidad o la degeneración.

Los autores posicionan este trabajo como un paso hacia una robótica basada en la optimización que pueda operar efectivamente "más allá de las suposiciones de factibilidad de los métodos existentes".