Resumen Técnico: BoxTwin – Aprendizaje de la Dinámica de Objetos Articulados Elastoplásticos a partir de Vídeos

Planteamiento del Problema

La manipulación robótica en entornos no estructurados requiere gemelos digitales capaces de anticipar las interacciones físicas. Aunque existen gemelos digitales para cuerpos rígidos y materiales elásticos lineales, estos fallan al modelar Objetos Articulados Elastoplásticos (EAO, por sus siglas en inglés). Los EAO, como cajas plegables, ensamblajes de chapa metáica o puertas con bisagras, exhiben una tríada compleja de fenómenos físicos que los modelos actuales no pueden capturar simultáneamente:

1. Elasticidad No Lineal: Relaciones entre tensión y deformación que se desvían del comportamiento de Hooke, causando disipación de energía y acoplamiento entre grados de libertad.
2. Deformación Plástica: Alteraciones de forma irreversibles que ocurren una vez que se exceden las cargas críticas, estableciendo nuevas configuraciones de reposo.
3. Evolución de Daños: La degradación gradual de los parámetros del material (por ejemplo, pérdida de rigidez) debido a microfracturas y delaminación tras ciclos de carga repetidos.

Los enfoques existentes suelen abordar la dinámica rígida o la deformación elástica estática, dejando sin resolver la naturaleza entrelazada de la plasticidad, la elasticidad no lineal y el daño progresivo en objetos articulados. Esta limitación provoca que los robots fallen en tareas que involucran agarre, plegado o la predicción de estados post-interacción.

Metodología: El Marco de Trabajo BoxTwin

BoxTwin es un marco de trabajo de gemelo digital interactivo diseñado para aprender la dinámica completa de los EAO directamente a partir de datos de vídeo. El sistema integra un pipeline de reconstrucción impulsado por vídeo con un modelo constitutivo consciente de la física.

1. Representación de Cuerpo Articulado

El EAO se modela como una colección de eslabones rígidos conectados por juntas de bisagra ideales, que representan pliegues flexibles. La topología se define mediante un árbol cinemático con raíz $G = (V, E)$. La configuración se describe mediante un vector de ángulos de junta $q$. El sistema utiliza la formulación estándar de Lagrange para la dinámica en el espacio de las juntas:
$$M(q)\ddot{q} + C(q, \dot{q})\dot{q} + g(q) = \tau$$
donde $\tau$ representa las fuerzas generalizadas de los contactos externos.

2. Modelado Constitutivo Consciente de la Física

En lugar de parámetros estáticos, BoxTwin emplea un modelo calibrado que evoluciona en el tiempo para capturar tres comportamientos específicos:

• Respuesta Elástica No Lineal: El torque elástico $\tau^{el}_e$ para una bisagra se modela como un mapeo suave y diferenciable $f_{\theta_e}(\Delta_e)$ de la brecha de deformación $\Delta_e = q_e - \bar{q}_e$. Esto captura el comportamiento no lineal de la bisagra manteniendo la capacidad de diferenciación analítica.
• Deformación Plástica: El ajuste permanente se modela permitiendo que el ángulo de reposo $\bar{q}_e$ evolucione mediante una variable escalar interna $\alpha_e$ (rotación plástica acumulada). El flujo plástico se activa cuando la brecha elástica excede un umbral de fluencia $\Delta^y_e$. La evolución de $\alpha_e$ sigue una regla de flujo suave $g_{\psi_e}(\Delta_e)$.
• Evolución de Daños: Para dar cuenta de la pérdida de rigidez y la reducción de la capacidad de ajuste plástico, se introduce una variable de daño escalar $d_e \in [0, 1]$. Esta variable atenúa multiplicativamente tanto el torque elástico como la tasa de flujo plástico. La tasa de daño $\dot{d}_e$ es impulsada por una función suave y monótona de la deslizamiento plástico acumulado $P_e(t)$, que registra la rotación plástica absoluta total a lo largo del tiempo.

3. Pipeline de Aprendizaje

El marco de trabajo reconstruye la escena a partir de vídeos de entrada para extraer los parámetros del EAO. Posteriormente, utiliza estos parámetros para predecir estados futuros. El sistema actualiza continuamente las propiedades del material para reflejar la acumulación de daños variables en el tiempo, permitiendo una simulación y control robustos.

Evaluación Experimental

Los autores evaluaron BoxTwin utilizando el simulador MuJoCo en dos escenarios distintos:

A. Prueba de Plegado (Deformación Manual)

• Configuración: Un humano deformó manualmente un EAO compuesto por dos paneles y una única junta, con un panel anclado. Marcadores de color en los paneles permitieron la derivación de los ángulos de las juntas.
• Resultado: La misma actuación aplicada al objeto físico se transfirió a la simulación. El modelo rastreó con precisión las trayectorias de los ángulos de las juntas durante secuencias largas, reproduciendo fielmente las respuestas cinemáticas instantáneas y la evolución gradual de las propiedades del material (histéresis y desgaste).

B. Prueba de Predicción (Manipulación de Doble Brazo)

• Configuración: Robots de doble brazo Trossen Aloha manipularon varios EAO (ensamblajes de una o múltiples juntas). El sistema operó en una configuración líder-seguidor, donde los brazos líderes recibían comandos de alto nivel y los brazos seguidores ejecutaban las acciones físicas.
• Resultado: Las trayectorias completas (posiciones, velocidades, torques, poses del efector final) se registraron y se reprodujeron en un simulador basado en física con parámetros cinemáticos/dinámicos idénticos y parámetros de EAO identificados experimentalmente. La simulación mostró una correspondencia cercana con las mediciones del hardware físico en todos los casos de prueba, validando el entorno para el desarrollo de algoritmos y el aprendizaje por transferencia sin necesidad de ensayos físicos repetitivos.

Contribuciones Clave y Significado

El artículo afirma introducir el primer marco de trabajo de gemelo digital interactivo capaz de capturar la dinámica completa de los EAO durante la manipulación robótica en el mundo real. Sus principales contribuciones incluyen:

1. Integración de Dinámicas Complejas: Combinación exitosa de la reconstrucción impulsada por vídeo con un modelo consciente de la física que maneja simultáneamente la elasticidad no lineal, la deformación plástica y la evolución de daños.
2. Capacidad Predictiva: La capacidad de predecir el comportamiento plástico post-contacto y la dinámica de largo horizonte, una capacidad ausente en los modelos de EAO previos que estaban limitados a simulaciones estáticas o suposiciones de cuerpo rígido.
3. Control Adaptativo: Permite el control predictivo y adaptativo de objetos deformables en entornos no estructurados donde las suposiciones tradicionales de cuerpo rígido fallan.

Los autores posicionan a BoxTwin como un paso fundamental hacia una colaboración humano-robot más segura y adaptable, permitiendo que los robots prevean las interacciones y perfeccionen las tácticas de manipulación para artículos deformables que experimentan cambios físicos irreversibles.