Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs

Resumen Técnico: Estimación de Fuerza de Contacto Múltiple para Robots Continuos mediante Grafos de Factores Parametrizados por Gaussianas

Planteamiento del Problema
Los robots continuos ofrecen ventajas significativas en la navegación de entornos no estructurados y confinados debido a su complacencia inherente. Sin embargo, la operación segura en tales entornos requiere una estimación precisa de las fuerzas de contacto externas que actúan en ubicaciones desconocidas a lo largo del cuerpo del robot. La estimación de estas fuerzas es un problema mal condicionado, particularmente cuando ocurren múltiples contactos simultáneamente. Los enfoques existentes enfrentan limitaciones específicas: los métodos de estimación de fuerza en la punta fallan cuando ocurren colisiones a lo largo de la longitud del robot; los métodos basados en la cinemática suelen escalar deficientemente con el número de contactos; y los modelos de estática deterministas son vulnerables al ruido de los sensores. Además, estimar las fuerzas en cada nodo discreto de un modelo continuo (estimación por nodo) crea un problema severamente mal planteado debido al mapeo subdeterminado de fuerzas distribuidas hacia la forma de la columna vertebral.

Metodología
Los autores proponen un marco unificado de estimación de forma y fuerza formulado en un grafo de factores. El núcleo de la metodología involucra tres componentes clave:

1. Modelo de Cosserat Parametrizado por Gaussianas: Los autores incorporan una parametrización de mezcla gaussiana en un modelo de varilla de Cosserat probabilístico discretizado. En lugar de estimar un vector de fuerza en cada nodo, la fuerza externa distribuida $f_e(s)$ se parametriza como una suma de $M$ funciones de base gaussianas normalizadas. Este enfoque reduce la dimensionalidad de las fuerzas externas desconocidas y mitiga el mal condicionamiento del problema de estimación. La parametrización permite que el modelo represente tanto cargas puntuales como cargas distribuidas variando la desviación estándar ($\sigma$) de las gaussianas. Los centros de estas gaussianas están restringidos dentro de la longitud de arco del robot mediante una transformación de tangente hiperbólica.
2. Formulación de Grafo de Factores: El problema de estimación de estado se plantea como una estimación de Máxima Verosimilitud (MAP) dentro de una arquitectura de grafo de factores. Este marco fusiona probabilísticamente datos sensoriales multimodales con el modelo estático del robot. El grafo incluye:
   • Factores de Mecánica: Imposición de la cinemática discreta, relaciones constitutivas (de deformación-rigidez) y ecuaciones de equilibrio de par estático.
   • Factores de Medición: Incorporación de observaciones de tensión de tendones, deformación local (por ejemplo, de sensores FBG) y pose (por ejemplo, de rastreadores electromagnéticos).
   • Factores de Prior y de Frontera: Regularización del problema con condiciones de frontera de base/punta y un prior de media cero en las amplitudes de fuerza para manejar la naturaleza mal planteada del problema inverso.
3. Estrategia de Estimación Progresiva: Para tareas de navegación dinámica con un número desconocido de contactos, los autores introducen una variante progresiva. El estimador se inicializa con una única base gaussiana. A medida que el robot navega, si la magnitud estimada de una base activa supera un umbral predefinido, se añade dinámicamente una nueva función de base al vector de estado. Para asegurar la estabilidad numérica, el marco incluye una penalización de fuerza axial (para evitar la divergencia en poses rectas) y una penalización de separación espacial (para evitar que múltiples centros de base colapsen en la misma ubicación).

Contribuciones Clave

• Marco Unificado: Una novedosa formulación de grafo de factores que estima simultáneamente la forma del robot y múltiples fuerzas de contacto externas.
• Reducción de Dimensionalidad: El uso de la parametrización de mezcla gaussiana para reducir los parámetros de fuerza desconocidos, abordando el mal condicionamiento inherente a la estimación de fuerza por nodos.
• Robustez al Ruido: La formulación probabilística modela explícitamente las incertidumbres de los sensores y del modelo, demostrando una robustez superior en comparación con los modelos deterministas.
• Manejo de Contacto Secuencial: Un algoritmo progresivo que adapta la complejidad del modelo (número de funciones de base) bajo demanda durante la operación, adecuado para tareas de navegación en espacios confinados.

Resultados
Se realizaron simulaciones numéricas utilizando SoroSim para validar el método propuesto frente a dos líneas base: un estimador de nodos discretos (Línea Base 1) y un método de parametrización gaussiana determinista (Línea Base 2).

• Escenarios de Contacto Único: En condiciones sin ruido, el método propuesto logró un error de localización promedio de 3.47 mm, comparable a la Línea Base 2 (3.5 mm) y significativamente mejor que la Línea Base 1 (9 mm). Bajo condiciones con ruido (ruido de posición de 1 mm, ruido de deformación de 0.1 rad/m), el método propuesto se mantuvo robusto con un error de localización de 8.74 mm. En contraste, la Línea Base 2 se degradó a 20.1 mm, y la Línea Base 1 a 36.68 mm. El método propuesto también mantuvo una localización de fuerza nítida (dispersión de 12 mm) en comparación con las estimaciones ampliamente difusas de la Línea Base 1.
• Escenarios de Contacto Múltiple: En pruebas de estimación de dos fuerzas, el método propuesto superó a la Línea Base 1 en la localización de la segunda fuerza, particularmente bajo ruido. Mientras que la Línea Base 1 produjo picos espurios y grandes errores máximos de localización (hasta 82.47 mm con ruido), el método propuesto limitó el error máximo en 48.32 mm y resolvió correctamente dos picos gaussianos distintos.
• Navegación Confinada: En una tarea simulada de navegación de un robot continuo a través de una caja rígida, el estimador progresivo identificó con éxito los contactos secuenciales. Se inicializó con una base, detectó el primer contacto con la pared y añadió dinámicamente una segunda base para capturar el estado de contacto dual a medida que el robot interactuaba con una segunda pared.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto aborda eficazmente la naturaleza mal planteada de la estimación de fuerza de contacto múltiple en robots continuos. Al reducir la dimensionalidad de las fuerzas desconocidas mediante la parametrización gaussiana y fusionar datos multisensoriales a través de un grafo de factores, el método logra una mayor precisión y robustez al ruido de los sensores que los enfoques actuales de nodos o deterministas. Los autores enfatizan que su enfoque permite una navegación segura en entornos desconocidos al proporcionar estimaciones fiables de la ubicación y magnitud del contacto sin requerir mapas ambientales explícitos o sensores visuales. El trabajo se presenta como un paso hacia el control de bucle cerrado, donde las fuerzas estimadas pueden soportar la evitación reactiva de obstáculos y el control de fuerza, aunque la implementación actual depende de un modelo cuasi-estático.