🤖 AI

SoRoMoX: Fast, Differentiable, and Parallelizable Soft Robot Models

SoRoMoX es un nuevo marco de trabajo en JAX, totalmente diferenciable y paralelizado en GPU para el modelado de robótica blanda, que acelera significativamente la simulación y permite flujos de trabajo de control avanzados —tales como la identificación de sistemas, el aprendizaje por refuerzo y el control con restricciones de seguridad— al superar las limitaciones computacionales de las implementaciones existentes de varillas de Cosserat.

Autores originales: Maximilian Stölzle, Solange Gribonval, Daniel Feliu-Talegon, Vito Daniele Perfetta, Michele Martini, Chuhan Zhang, Kiwan Wong, Mohammed Tarnini, Anup Teejo Mathew, Federico Renda, Daniela Rus, Cosimo

Publicado 2026-08-10

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Maximilian Stölzle, Solange Gribonval, Daniel Feliu-Talegon, Vito Daniele Perfetta, Michele Martini, Chuhan Zhang, Kiwan Wong, Mohammed Tarnini, Anup Teejo Mathew, Federico Renda, Daniela Rus, Cosimo Della Santina

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 un mundo donde los robots no están hechos de engranajes metálicos rígidos y articulaciones tiesas, sino que están fabricados con materiales blandos y elásticos como silicona, caucho o incluso tejido vivo. Estos son "robots blandos", y son increíbles porque pueden escurrirse por grietas diminutas, manipular objetos frágiles como huevos sin romperlos, y moverse con una gracia fluida que las máquinas rígidas solo pueden soñar. Sin embargo, hay un inconveniente: debido a que son tan blandos, son increíblemente difíciles de controlar. A diferencia de un brazo robótico rígido que se mueve en líneas rectas y predecibles, un robot blando se dobla, se retuerce y se deforma de un millón de formas distintas a la vez. Es como intentar escribir un manual de instrucciones preciso para una medusa; si tiras de un tentáculo, todo el cuerpo ondula en una danza compleja que es matemáticamente desordenada de predecir. Durante mucho tiempo, los científicos han tenido las matemáticas adecuadas para describir esta blandura, pero los programas informáticos para ejecutar realmente ese cálculo eran lentos, torpes y no podían comunicarse fácilmente con las herramientas de aprendizaje avanzado que utilizan los robots modernos.

Aquí es donde entra en escena una nueva herramienta llamada SoRoMoX para salvar el día. Piensa en SoRoMoX como un traductor superpotente y de alta velocidad que convierte las matemáticas complejas y ondulantes de los robots blandos en un lenguaje que las computadoras modernas puedan entender y ejecutar a la velocidad del rayo. Los investigadores detrás de este proyecto construyeron un marco de software que no solo simula un robot blando, sino que hace que la simulación sea "diferenciable", lo cual es una forma elegante de decir que la computadora puede averiguar instantáneamente cómo ajustar la forma o el movimiento del robot para obtener un mejor resultado, tal como un personaje de un videojuego que aprende a saltar más alto intentándolo y fallando miles de veces en una fracción de segundo. Al ejecutar estas simulaciones en potentes tarjetas gráficas (GPU) y hacerlas en paralelo —como tener mil robots virtuales practicando al mismo tiempo en lugar de uno solo—, el equipo demostró que podían hacer que el control de los robots blandos fuera hasta 234.6 veces más rápido que los métodos anteriores. Esta velocidad abre nuevas posibilidades, permitiendo que los robots aprendan tareas complejas, eviten chocar contra las cosas con demasiada fuerza e incluso descubran sus propias propiedades físicas (como qué tan rígido es su cuerpo) simplemente observándose a sí mismos moverse.

La revolución de los robots blandos

Los robots blandos son los favoritos del futuro porque son seguros y adaptables. Imagina un brazo robótico hecho de goma que puede envolver suavemente una fresa madura para recogerla, o un robot tipo serpiente que puede deslizarse entre los escombros de un edificio colapsado para encontrar supervivientes. El problema es que controlar algo que se dobla y se estira como un fideo es una pesadilla para los programas informáticos tradicionales. En el mundo de los robots rígidos (como los brazos en una línea de montaje de automóviles), las matemáticas son sencillas: si giras un motor una cierta cantidad, el brazo se mueve una distancia específica. Pero con los robots blandos, todo el cuerpo se deforma, creando una red caótica de fuerzas.

Durante años, los científicos han desarrollado teorías para describir este comportamiento, utilizando a menudo un concepto llamado "teoría de la varilla de Cosserat". Piensa en esto como tratar al robot blando no como un bloque sólido, sino como una vara flexible que puede doblarse, retorcerse y estirarse. Si bien la matemática existe para describirlo, las herramientas de software para usarlo realmente se habían quedado estancadas en el pasado. Eran lentas, no podían ejecutarse en los chips informáticos modernos súper rápidos y no se llevaban bien con los algoritmos de "aprendizaje" que permiten a los robots enseñarse a sí mismos. Era como tener un motor de Ferrari (las matemáticas) pero intentar conducirlo con una cadena de bicicleta (el software antiguo).

La llegada de SoRoMoX: El demonio de la velocidad

El artículo presenta SoRoMoX (Soft Robot Models in JAX), un nuevo marco de software diseñado para solucionar estos cuellos de botella. Los autores lo construyeron utilizando JAX, una potente herramienta de programación que permite a las computadoras realizar operaciones matemáticas complejas de forma increíblemente rápida, especialmente cuando se utilizan Unidades de Procesamiento Gráfico (GPU)—los mismos chips que impulsan los videojuegos y la IA.

Esto es lo que hace especial a SoRoMoX:

Es Diferenciable: Este es el ingrediente mágico. En términos sencillos, el software puede calcular no solo a dónde irá el robot, sino cómo cambiar sus ajustes para que llegue exactamente a donde quieres que vaya. Es como tener un GPS que no solo te dice la ruta, sino que recalcula instantáneamente el mejor camino si te encuentras con un atasco, todo mientras conduces.
Es Paralelo: En lugar de simular un robot a la vez, SoRoMoX puede simular cientos o miles de ellos simultáneamente en una sola GPU. Esto es como tener un aula de estudiantes practicando una rutina de baile todos a la vez, en lugar de un solo estudiante practicando solo.
Está Listo para el Control: Proporciona todos los números específicos que un controlador de robot necesita —como cuánto pesa el robot, cómo tira de él la gravedad y cómo se mueven sus articulaciones— para que los ingenieros puedan construir mejores controladores sin tener que reinventar la rueda.

Lo que el equipo descubrió

Los investigadores no solo construyeron la herramienta; la sometieron a una serie de pruebas para ver cómo se desempeñaba en comparación con el mejor software existente.

Velocidad y Eficiencia
En sus pruebas, SoRoMoX fue un claro ganador. Al ejecutar simulaciones en un procesador de computadora estándar (CPU), fue hasta 18.1 veces más rápido que la alternativa de vanguardia actual llamada SoRoSim. Pero la verdadera magia ocurrió cuando cambiaron a una GPU. Al ejecutar simulaciones en paralelo, lograron una aceleración masiva de hasta 234.6 veces. Esto significa que las tareas que antes tomaban horas podrían realizarse en minutos, o incluso en segundos.

Aprendizaje y Optimización
El equipo utilizó esta velocidad para abordar problemas difíciles:

Descubriendo el cuerpo del robot: Probaron si el software podía ayudar a un robot a "aprender" sus propias propiedades físicas, como qué tan rígido es su material. Al comparar el movimiento real del robot con la simulación, pudieron ajustar los parámetros del modelo. Esto redujo el error al predecir la posición del robot en un 66%.
Corrigiendo los momentos de "error": Incluso con un modelo perfecto, los robots reales tienen pequeños errores. El equipo utilizó SoRoMoX para enseñar a una red neuronal a predecir estos errores residuales, lo que redujo el error por un 64% adicional, haciendo que los movimientos del robot fueran increíblemente precisos.
Mejor Control: Probaron diferentes estrategias de control. Un controlador estándar "sin modelo" (que no conoce la física del robot) tuvo dificultades. Pero cuando utilizaron un controlador de "par de torsión computado" (que utiliza el modelo físico completo), el error de seguimiento disminuyó por un factor de aproximadamente 500. Este es un salto masivo en precisión.
La seguridad es lo primero: Una de las aplicaciones más emocionantes fue la seguridad. Programaron al robot para que alcanzara un objetivo evitando golpear una pared con demasiada fuerza. Utilizando un algoritmo de seguridad especial, mantuvieron la fuerza de contacto por debajo de los 5 Newtons (aproximadamente el peso de una manzana pequeña). Sin esta restricción de seguridad, el robot golpeaba con una fuerza de 33.5 Newtons, lo que podría dañar objetos frágiles.
Aprendizaje por Refuerzo: Finalmente, utilizaron la herramienta para entrenar a un robot mediante el aprendizaje por refuerzo (donde el robot aprende mediante ensayo y error). Debido a que SoRoMoX podía ejecutar miles de pruebas a la vez, el entrenamiento fue hasta 7 veces más rápido que utilizando métodos más antiguos y lentos.

La conclusión

SoRoMoX no es solo una calculadora más rápida; es un puente que conecta el complejo y blando mundo de la robótica blanda con el mundo de alta velocidad y basado en datos de la IA moderna y el control. Al hacer que los modelos de robots blandos sean rápidos, diferenciables y fáciles de usar, los autores han abierto la puerta a robots que pueden aprender, adaptarse e interactar con el mundo de formas que antes eran demasiado lentas o difíciles de lograr. Aunque los resultados mostrados aquí se basan en simulaciones, las drásticas mejoras en velocidad y precisión sugieren que la próxima generación de robots blandos pronto podría estar aprendiendo a moverse con la gracia e inteligencia de los seres vivos.

Resumen Técnico: SoRoMoX – Modelos de Robótica Blanda Rápidos, Diferenciables y Paralelizables

1. Declaración del Problema

Si bien el modelado de orden reducido de robots blandos basado en la teoría de varillas de Cosserat (específicamente las formulaciones de Deformación Constante por Tramos [PCS] y Deformación Variable [VS]) ha madurado, un cuello de botella significativo persiste en el despliegue de modelos. Las implementaciones existentes suelen sufrir tres limitaciones críticas que dificultan su integración en procesos avanzados de control y aprendizaje:

Falta de Diferenciabilidad: No admiten la diferenciación automática (AD) de extremo a extremo con respecto a estados, entradas y parámetros, lo que impide su uso en optimización basada en gradientes, identificación de sistemas y aprendizaje.
Ineficiencia Computacional: Suelen estar limitadas a la CPU, basadas en código legado (por ejemplo, MATLAB), y carecen de código abierto, lo que impide aprovechar los aceleradores de hardware modernos (GPU/TPU) para la ejecución paralela.
Interfaces Incompletas: A menudo funcionan como simuladores de "caja negra" que solo proporcionan trayectorias de ejecución (rollout), careciendo de acceso directo a cantidades esenciales orientadas al control, tales como matrices de inercia, Jacobianos, términos de Coriolis y mapas de actuación requeridos para el control basado en modelos y el filtrado de seguridad.

En consecuencia, los flujos de trabajo comunes en la robótica rígida —como la identificación de sistemas a gran escala, la optimización de trayectorias, el aprendizaje por refuerzo (RL) y el control con restricciones de seguridad mediante Funciones de Barrera de Control (CBF)— siguen siendo impracticables o imposibles para los robots blandos.

2. Metodología: El Marco de Trabajo SoRoMoX

Los autores presentan SoRoMoX (Soft Robot Models in JAX), un marco de trabajo en Python/JAX, totalmente numérico y con capacidad de compilación Just-In-Time (JIT), diseñado para cerrar esta brecha.

Arquitectura Central

Interfaz Unificada: SoRoMoX implementa una API común para robots articulados, modelos PCS y modelos de Deformación Variable Geométrica (GVS). Esta interfaz expone:
- Cinemática: Cinemática directa $g(q, s)$ , Jacobianos $J(q, s)$ y derivadas temporales del Jacobiano $\dot{J}(q, \dot{q}, s)$ .
- Dinámica: Matrices de inercia $M(q)$ , términos de Coriolis/centrífugos $C(q, \dot{q})$ , gravedad $G(q)$ , elasticidad $K(q)$ , amortiguamiento $D$ y mapas de actuación $A(q)$ .
- Simulación: Ejecuciones (rollouts) de lazo abierto y de lazo cerrado integradas con el solver de ODE Diffrax.
Stack Computacional: Construido sobre JAX, el marco soporta:
- Diferenciación Automática (AD): Diferenciación con respecto a estados, entradas y parámetros físicos.
- Compilación JIT: Optimización de núcleos para la ejecución en CPU, GPU y TPU.
- Vectorización: Ejecución por lotes (batching) masivamente paralela (vía jax.vmap) para simular miles de entornos simultáneamente.
Familias de Modelos:
- Robots Blandos Articulados: Cadenas seriales con juntas complacientes o actuadores blandos (por ejemplo, músculos de McKibben).
- Robots Continuos:
  - PCS: Deformación constante dentro de los segmentos, utilizando cinemática de forma cerrada para mayor eficiencia.
  - GVS: Deformación variable aproximada mediante funciones de base, lo que permite modos de deformación más complejos manteniendo una estructura de ODE de dimensión finita.
Integración de Control: El marco incluye controladores modelados implementados (PID, Control de Torque Computado, Control de Impedancia) y soporta transformaciones de coordenadas a espacios operacionales y de actuación.

Detalles de Implementación

Gestión de Singularidades: El código maneja explícitamente las singularidades eliminables (por ejemplo, $0/0$ en exponenciales de grupos de Lie) utilizando lógica condicional (lax.cond) para asegurar que los gradientes permanezcan bien definidos cerca de configuraciones rectas o arclength cero.
Evaluación Consciente de la Estructura: El sistema distingue entre modelos especializados (por ejemplo, PCS planar) y formulaciones generales, utilizando álgebra de menor dimensión y mapas de forma cerrada donde es posible para reducir la carga computacional.
Extensibilidad: Los usuarios pueden heredar de clases base para definir robots personalizados sobrescribiendo parámetros específicos (geometría, propiedades de materiales, enrutamiento de actuación) sin tener que reescribir todo el motor de dinámica.

3. Contribuciones Clave

Primer Marco Basado en Varillas con Paralelismo en GPU y Diferenciable: SoSoMoX es el primer marco que implementa modelos PCS y GVS que se ejecuta de forma nativa en GPU/TPU y es totalmente diferenciable con respecto a todos los componentes del modelo.
API Lista para el Control: Proporciona una interfaz unificada para todas las cantidades requeridas por algoritmos de control basados en modelos, eliminando la necesidad de bases de código separadas para simulación y control.
Benchmarks de Rendimiento:
- CPU Secuencial: Hasta 18.1× más rápido que las alternativas de vanguardia (SoRoSim) para ejecuciones secuenciales.
- GPU en Paralelo: Hasta 234.6× mayor rendimiento (throughput) mediante la ejecución por lotes en GPU comparado con las bases de CPU.
Casos de Estudio Exhaustivos: El artículo demuestra la utilidad del marco a través de seis dominios de aplicación distintos:
- Identificación de sistemas en equilibrio estático.
- Aprendizaje de fuerzas residuales.
- Control basado en modelos (Torque Computado, Impedancia).
- Optimización de ganancias de control.
- Control con restricciones de seguridad utilizando Funciones de Barrera de Control de Alto Orden (HOCBF).
- Aprendizaje por Refuerzo (RL) en paralelo.

4. Resultados Experimentales

El artículo valida SoRoMoX mediante benchmarks cuantitativos y casos de estudio de aplicación:

Identificación de Sistemas: Utilizando optimización basada en gradientes sobre datos de equilibrio estático, el marco identificó parámetros físicos (módulo de Young, razón de Poisson, densidad) para un brazo accionado por tendones, reduciendo el RMSE de marcadores en un 66% (de 56.9 mm a 19.3 mm).
Aprendizaje de Residuales: Al aprender fuerzas generalizadas residuales para corregir el desajuste del modelo, el RMSE se redujo un 64% adicional respecto al modelo identificado, logrando un error final de ~6.9 mm.
Control Basado en Modelos:
- Torque Computado (CT): El seguimiento por CT redujo el RMSE por un factor de aproximadamente 500 en comparación con el control PD sin modelo.
- Optimización de Ganancias: La sintonización automática de ganancias redujo la pérdida de control hasta en un 62% comparado con ganancias no sintonizadas.
Control con Restricciones de Seguridad: En una tarea que requiere contacto con obstáculos, un controlador consciente de la seguridad (HOCLF+HOCBF) logró mantener las fuerzas de contacto pico dentro de un límite de 5 N, mientras que un controlador no consciente de la seguridad excedió este límite alcanzando los 33.5 N.
Aprendizaje por Refuerzo (RL): Entrenar una política para un brazo blando usando ejecuciones paralelas en una sola GPU fue 7× más rápido que una base de PyElastica en CPU (usando 512 entornos paralelos).

5. Significado y Reivindicaciones

Los autores afirman que SoRoMoX representa un cambio de paradigma en el software de robótica blanda, transfiriendo el estándar de flujo de trabajo "diferenciable y basado en aceleradores" de la robótica rígida al dominio de la robótica blanda.

Cerrando la Brecha: El artículo argumenta que el cuello de botella principal ya no es la derivación de los modelos, sino su despliegue. SoRoMoX llena este vacío al hacer que los modelos de orden reducido sean directamente utilizables en procesos de optimización y aprendizaje a gran escala.
Habilitando Nuevos Flujos de Trabajo: Las ganancias de rendimiento permiten flujos de trabajo anteriormente considerados impracticables, como el filtrado de seguridad en tiempo real con funciones de barrera de alto orden y el entrenamiento de políticas de RL en minutos en lugar de días.
Reproducibilidad y Estandarización: Al proporcionar una interfaz abierta, bien documentada y lista para el control, los autores buscan facilitar la comparación (benchmarking), la reproducibilidad y el intercambio de diseños de robots entre la comunidad. Sugieren que el campo se beneficiaría de un formato de descripción de robots estandarizado (análogo a URDF) para robots continuos, una dirección que SoRoMoX apoya mediante su diseño modular.

El artículo concluye que las decisiones de diseño de software moderno —específicamente la diferenciación automática, la ejecución por lotes y la aceleración de hardware— pueden ampliar sustancialmente las aplicaciones prácticas de los modelos de robótica blanda, moviéndolos de constructos teóricos a herramientas para el control y el aprendizaje en el mundo real.