Resumen Técnico: ORCHARDBENCH

Declaración del Problema

La cosecha robótica de árboles frutales sigue siendo un cuello de botella significativo en la automatización agrícola debido al alto costo, la irreproducibilidad y los riesgos físicos de los experimentos de campo. Los ensayos en el mundo real son estacionales, irrepetibles (ya que no hay dos árboles idénticos) y conllevan el riesgo de daños permanentes en los cultivos debido a errores de control. Las herramientas de simulación existentes no logran cerrar esta brecha de manera efectiva:

• Modelos de Plantas Procedurales (ej., MAppleT): Generan árboles geométricamente detallados mediante sistemas L, pero son físicamente inertes; no simulan la flexión, la rotura o la interacción dinámica.
• Simuladores de Aprendizaje Robótico (ej., Isaac Gym, MuJoCo): Ofrecen física paralela en GPU y dinámica de contacto, pero típicamente pueblan los mundos con objetos rígidos, careciendo de vegetación complaciente y quebradiza que produzca frutos.
• Sistemas de Manipulación de Ramas (ej., PCAP): Simulan ramas complacientes, pero a menudo utilizan abstracciones de resortes simplificadas, omitiendo la ruptura de las ramas, el desprendimiento realista del fruto y las tareas de cosecha autónomas con métricas estandarizadas.

Esta desconexión impide la verificación segura y a gran escala de los controladores y el entrenamiento de políticas que deben lidiar con la naturaleza compleja, complaciente y quebradiza de las plantas vivas.

Metodología

Los autores presentan ORCHARDBENCH, un benchmark de simulación físicamente fundamentado y paralelo en GPU, construido sobre el motor NEWTON/MuJoCo-Warp. El sistema está diseñado para ejecutar cientos de entornos de huertos distintos en paralelo en una sola GPU de una computadora portátil.

1. Modelo de Árbol Físicamente Fundamentado

La innovación central es un modelo de árbol que funciona como un sistema dinámico totalmente articulado en lugar de una malla estática:

• Generación Estocástica: Los árboles se cultivan utilizando una gramática de sistema L estocástica (inspirada en MAppleT) que produce arquitecturas botánicamente plausibles con hábitos de crecimiento variables, conteos de andamiaje y divergencia filotáctica.
• Dinámica Complaciente: Cada entrenudo es un eslabón rígido conectado por amortiguadores de resorte torsional complacientes. La rigidez ($K_p$) se deriva de la teoría de vigas de Euler-Bernoulli ($K_p = EI/\ell$), lo que asegura que las ramas exteriores delgadas sean significativamente más complacientes que el tronco, igualando los gradientes mecánicos reales sin necesidad de un ajuste por rama.
• Ruptura de Ramas: Las ramas se rompen cuando el momento de flexión transmitido excede el módulo de ruptura de la madera. Tras la ruptura, la articulación se deshabilita in situ (sin recompilación del modelo) y la sub-rama cae como una bisagra libre con dinámica realista de gravedad y fricción.
• Física del Fruto: Las manzanas son cuerpos rígidos independientes suspendidos por tensores de tallo de resorte-amortiguador. El desprendimiento ocurre solo cuando una fuerza de tracción sostenida (basada en valores de la literatura de 14–23 N) excede un umbral. El fruto carga la rama dinámicamente durante la tracción.

2. Aleatorización de Dominio y Eficiencia

Para permitir el aprendizaje de políticas robustas, el sistema emplea aleatorización de dominio por entorno:

• Homogeneidad Estructural: Para mantener la eficiencia del procesamiento por lotes (batching) en la GPU, la topología discreta (número de articulaciones/cuerpos) es fija dentro de un lote. Los parámetros continuos (densidad de la madera, módulo de Young, ángulos de hábito de crecimiento, carga del fruto, color) se aleatorizan por entorno.
• Aleatorización Dimensional: Para evitar que la geometría cinemática heterogénea rompa el solver por lotes, las dimensiones de las ramas (longitud, grosor) se comparten en un lote pero se vuelven a muestrear entre reinicios. Esto permite la diversidad visual preservando la alta velocidad de resolución "homogénea".
• Optimización: El sistema utiliza un solver de gradiente conjugado libre de matrices, manejo de ruptura in situ, cuerpos de frutos de grados de libertad (DOF) reducidos y renderizado de follaje por instancias. Estas técnicas permiten la simulación de hasta 512 árboles paralelos en una GPU de laptop de 8 GB.

3. Agente Robótico y Percepción

• Embodiment: Una base móvil Clearpath Ridgeback con un brazo Franka (FR3) y una cámara de profundidad montada en la muñeca.
• Percepción: Se utiliza un detector de frutas geométrico clásico, libre de aprendizaje. Este proyecta imágenes de profundidad a nubes de puntos, ajusta esferas a parches de continuidad de profundidad y aplica un filtrado geométrico (radio, convexidad, silueta) para distinguir el fruto del follaje y las ramas. Esto asegura que el rendimiento refleje la geometría de la escena en lugar de los sesgos de una red preentrenada.
• Autonomía: Un controlador de línea base analítico ejecuta un ciclo completo de cosecha (explorar, aproximarse, agarrar, tirar, depositar) utilizando cinemática inversa de mínimos cuadrados amortiguados.

Contribuciones Clave

1. Simulación Físicamente Fundamentada: El primer benchmark donde la planta es un sistema dinámico complaciente y quebradizo con rigidez basada en la teoría de vigas, mecánica de ruptura y fuerzas de desprendimiento de frutos realistas, todo parametrizado a partir de la literatura publicada.
2. Oclusión Controlable: Una capa de follaje móvil y de densidad controlable que se balancea con las ramas, proporcionando una variable controlada para estudiar la percepción bajo oclusión con una verdad de campo perfecta.
3. Paralelismo Eficiente: Técnicas (aleatorización de dominio en el dispositivo, solvers libres de matrices) que permiten ejecutar miles de entornos paralelos a tasas interactivas en hardware de consumo.
4. Suite de Benchmark Estandarizada: Un banco de pruebas completo con un manipulador móvil, una tubería de percepción y una suite de métricas que cubre la completitud de la cosecha, el rendimiento (throughput) y el daño a la planta (ramas rotas, frutos caídos).
5. Resultados de la Línea Base: Evaluación exhaustiva de un controlador analítico a través de densidad de follaje, carga de fruta, terreno y zonas de la copa.

Resultados Experimentales

El artículo reporta resultados de la línea base utilizando el controlador analítico en 18 árboles con aleatorización de dominio:

• Desempeño: La línea base logra una completitud de cosecha de ~12% (frutos recolectados vs. alcanzables) y un rendimiento de 1.9 frutos/minuto.
• Detección: El detector geométrico logra una precisión del 90%, pero sufre de falsos positivos a medida que aumenta la densidad del follaje.
• Daño: La línea base rompe aproximadamente 0.2 ramas por árbol y deja caer ~6 frutos por árbol, resaltando una brecha significativa entre los métodos analíticos actuales y los requisitos de seguridad de la cosecha en el mundo real.
• Escalabilidad: El sistema escala a 512 árboles paralelos (aprox. 170,000 cuerpos) en una sola GPU de 8 GB, logrando ~3,500–4,400 pasos de entorno/segundo. La aleatorización de geometría distinta (variar dimensiones de rama por mundo) rompe el solve por lotes, reduciendo el rendimiento en ~15x, lo que confirma la necesidad del enfoque de dimensiones compartidas.
• Análisis de Zonas: Las tasas de éxito varían según la zona de la copa, siendo la parte media la más fácil (55% de éxito) y las zonas inferior-exterior/superior las más difíciles (37–42%), validando la necesidad de estrategias específicas por zona.

Significado y Reivindicaciones

Los autores posicionan ORCHARDBENCH no como un problema resuelto, sino como un sustrato para la investigación futura. El artículo afirma:

• Seguridad y Escala: Permite la verificación segura de controladores analíticos y el entrenamiento de políticas basadas en aprendizaje a una escala imposible en el campo.
• Cerrar la Brecha: Unifica el modelado de plantas procedurales (geometría) con la robótica basada en física (dinámica), abordando un vacío específico donde las herramientas existentes sirven solo a un lado.
• Fundamentación en el Mundo Real: Al vincular cada parámetro físico con fuentes publicadas e incluir métricas de daño como objetivos de primera clase, el benchmark proporciona un objetivo realista para la optimización que prioriza la seguridad de la planta junto con el rendimiento.
• Alcance Modesto: Los autores declaran explícitamente que la física está fundamentada en la literatura pero aún no ha sido validada contra experimentos físicos de rotura de ramas en árboles vivos. La transferencia sim-to-real es un objetivo de diseño apoyado por la aleatorización de dominio, pero no es un resultado demostrado en este trabajo. El benchmark está destinado a facilitar el desarrollo de políticas aprendidas y métodos agénticos que puedan eventualmente cerrar el ciclo sim-to-real.