Resumen Técnico: PanoVine – Control Visomotor de Cuerpo Completo para un Robot de Enredadera Blando de Crecimiento

Declaración del Problema

Los robots de enredadera (vine robots), una clase de robots continuos blandos neumáticos, ofrecen ventajas únicas para la navegación en entornos confinados, complejos y no estructurados (por ejemplo, tuberías, infraestructura subterránea) debido a sus cuerpos flexibles y mecanismos de crecimiento con auto-soporte. Sin embargo, controlar estos robots para la navegación autónoma y la manipulación sigue siendo un desafío significativo debido a dos factores principales:

1. Dinámicas Impredecibles: El comportamiento del robot está gobernado por la complacencia del material, la histéresis, el pandeo (buckling), las interacciones cuerpo-entorno y la tensión en la cola no evertida. Estos factores hacen que el sistema sea difícil de modelar físicamente. En consecuencia, las reproducciones de trayectorias de acción en bucle abierto suelen resultar en configuraciones de robot drásticamente diferentes entre ensayos.
2. Sensing Onboard Limitado: El robot experimenta intrincadas deformaciones de cuerpo completo sobre espacios de trabajo extensos. Las modalidades de sensores tradicionales limitadas (por ejemplo, una sola cámara o un IMU) son insuficientes para capturar la información de estado necesaria para un control de bucle cerrado confiable, particularmente cuando los sensores montados en la punta añaden complejidad mecánica o cuando el cuerpo del robot obstruye su propia visión.

Los enfoques basados en modelos existentes dependen de supuestos cinemáticos (por ejemplo, curvatura constante por tramos) o de conocimientos previos de la geometría de los obstáculos que fallan en entornos abarrotados y desconocidos. Del mismo modo, los métodos previos basados en aprendizaje se han limitado en gran medida a la simulación o a brazos blandos cortos que no crecen, fallando al intentar escalar a robots de enredadera largos y de crecimiento continuo con altos grados de libertad.

Metodología

Los autores presentan PanoVine, el primer sistema de robot de enredadera autónomo capaz de control de bucle cerrado utilizando únicamente sensores integrados (onboard). El enfoque integra una plataforma de hardware personalizada con un marco de control basado en visión y datos.

1. Hardware del Sistema: Visión de Cuerpo Completo Distribuida

La plataforma PanoVine cuenta con un cuerpo blando de crecimiento de 6 metros de largo y 0.16 metros de diámetro con siete grados de libertad controlables (una extensión, seis juntas de flexión revolutas).

• Conjunto de Sensores: El sistema está equipado con 19 cámaras RGB distribuidas a lo largo del cuerpo del robot.
• Estrategia de Colocación: Las cámaras están montadas en los segmentos del robot en el lado recubierto de TPU con un ángulo de 60 grados respecto al eje del cuerpo. Miran hacia los extremos distal o proximal. A medida que el robot crece mediante eversión, las cámaras se revelan gradualmente, proporcionando retroalimentación multi-perspectiva tanto de la deformación del robot como del entorno circundante.
• Actuación: El robot se controla mediante una interfaz de joystick que comanda la dirección en el espacio de las juntas y el crecimiento axial, con ajustes de presión para el control de la rigidez.

2. Marco de Control: Política Visomotora de Cuerpo Completo

El núcleo del sistema es una política visomotora de extremo a extremo (end-to-end) entrenada mediante aprendizaje por imitación a partir de demostraciones teleoperadas.

• Entrada: La política recibe un historial de observaciones $o = (I, q)$, donde $I$ representa los flujos RGB de las 19 cámaras y $q$ representa la propiocepción (ángulos de las juntas y longitud de la base).
• Arquitectura: El sistema utiliza un backbone de Transformer de Difusión (Diffusion Transformer).
  • Codificación de Visión: Las imágenes se redimensionan a $224 \times 224 \times 3$ y se procesan a través de un Vision Transformer preentrenado CLIP. El token de clase de cada vista de cámara sirve como una incrustación (embedding) compacta.
  • Atención Cruzada (Cross-Attention): Un mecanismo de atención cruzada permite a la política aprender correspondencias multi-vista implícitas y relaciones semánticas específicas de la tarea entre las entradas visuales distribuidas, la propiocepción y las acciones, evitando la necesidad de una calibración extrínseca explícita.
  • Salida de Acción: La política predice un bloque de acción $a \in \mathbb{R}^{\tau \times d}$ (donde $\tau=8$) que especifica la longitud de la base y los ángulos de las juntas para los siguientes pasos de tiempo.
• Elecciones de Diseño Clave para la Robustez:
  1. Representación Relativa: La propiocepción y las acciones se expresan de forma relativa al último marco de observación para asegurar transiciones suaves y robustez ante la histéresis y la incertidumbre de la actuación.
  2. Reequilibrio de Datos: Para abordar la escasez de acciones de dirección en los datos teleoperados (que están dominados por el crecimiento puro), el conjunto de datos de entrenamiento se reequilibra para asegurar que la política aprenda comportamientos críticos de dirección reactiva (giros, escalada) en lugar de sobreajustarse al crecimiento.

Contribuciones Clave

1. Plataforma de Hardware: Un sistema de robot de enredadera que presenta visión de cuerpo completo distribuida (19 cámaras) que proporciona retroalimentación exhaustiva y multi-perspectiva del estado del robot y del entorno durante todo el proceso de crecimiento.
2. Marco de Control: Una política visomotora basada en aprendizaje diseñada específicamente para robots largos y deformables. Agrega eficazmente el sensing distribuido, mantiene la robustez ante la estimación de estado poco confiable y maneja comportamientos de largo horizonte con acciones de dirección dispersas.
3. Demostración Autónoma: La primera demostración de una enredadera logrando el control de bucle cerrado autónomo en escenarios del mundo real complejos sin sensores externos (por ejemplo, GPS, captura de movimiento) o planificación basada en modelos.

Resultados Experimentales

El sistema fue evaluado en dos tareas desafiantes del mundo real:

1. Navegación de Curso Complejo

• Tarea: Navegar un curso de 6 m que involucra selección de ramas, escalada de pendiente de 45°, travesía de brechas sin soporte, evitación de obstáculos y giros cerrados.
• Desempeño: La política PanoVine logró una tasa de éxito del 80%.
• Líneas Base (Baselines):
  • Replay de Trayectoria (Bucle Abierto): 0% de tasa de éxito. Los fallos incluyeron colisiones con obstáculos y la incapacidad de alcanzar metas debido a discrepancias de longitud inducidas por el pandeo.
  • Sin Reequilibrio: 10% de tasa de éxito. La política falló al no girar lo suficiente en los puntos de ramificación, resaltando la necesidad de la estrategia de reequilibrio de datos.

2. Alcance de Objetos

• Tarea: Extenderse 2 metros y maniobrar con precisión para tocar y derribar objetos colocados en ubicaciones y orientaciones desconocidas.
• Desempeño: La política logró una tasa de éxito del 85%, demostrando la capacidad de generalizar a través de objetos y ubicaciones no vistas al fundamentar los comandos de dirección en la retroalimentación visual multi-vista.
• Líneas Base (Baselines):
  • Política de Cámara Única: 0% de tasa de éxito. La cámara única falló al mantener la vista del objeto durante la extensión o la dirección, lo que llevó a fallar los objetivos.

Significado y Reivindicaciones

El artículo afirma que PanoVine representa un paso significativo hacia adelante en la robótica blanda al demostrar que el control de bucle cerrado autónomo de un robot de enredadera es posible utilizando únicamente sensores integrados.

Los autores enfatizan que su enfoque evita las limitaciones de los pipelines tradicionales basados en modelos, que luchan con las deformaciones no lineales, histéresicas y discontinuas inherentes a los robots de crecimiento blandos. Al aprender una política visomotora de extremo a extremo a partir de la visión de cuerpo completo distribuida, el sistema puede observar directamente el contacto, la deformación y la geometría circundante, compensando la incertidumbre en los estados y las dinámicas del robot. Este trabajo establece una base para la investigación futura en el control basado en aprendizaje para robots blandos que operan en entornos complejos y no estructurados.