💻 computer science

NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility

El artículo presenta NeSAM, un marco neurosimbólico que integra la terramecánica de Bekker-Wong diferenciable con dinámica de residuos aprendida y estimación en línea de parámetros del suelo para mejorar significativamente la precisión de la predicción cinodinámica de vehículos todoterreno y el rendimiento de la navegación en terrenos deformables.

Autores originales: Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

Publicado 2026-08-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

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

Conducir un vehículo por una carretera pavimentada y plana es un asunto predecible. Las ruedas se agarran a la superficie, el motor las hace girar y el coche avanza exactamente como dictan las leyes de la física sobre una superficie dura. Pero si se lleva ese mismo vehículo fuera del pavimento y hacia un campo de tierra blanda, arena suelta o lodo irregular, las reglas cambian instantáneamente. El suelo ya no es un escenario sólido, sino un participante vivo y cambiante. A medida que una rueda presiona hacia abajo, se hunde en la tierra; a medida que gira, corta el suelo lateralmente. Estas deformaciones crean fuerzas que desvían al vehículo de su curso, provocando que se deslice, se incline o se quede atrapado de formas que los simples comandos de dirección no pueden corregir fácilmente. Para que los robots y los vehículos autónomos naveguen estos entornos accidentados de forma segura, deben ser capaces de predecir no solo hacia dónde van, sino cómo reaccionará el suelo bajo ellos ante su peso y movimiento. Sin esta previsión, un vehículo podría planificar una ruta que parece despejada en un mapa pero que conduce a un surco profundo o a una pérdida repentina de control en el momento en que toca el suelo.

Los investigadores han intentado resolver este problema durante mucho tiempo utilizando dos enfoques diferentes. Un método se basa en ecuaciones de la física clásica que describen cómo se comporta el suelo bajo presión, utilizando parámetros como la rigidez y la fricción para calcular las fuerzas. Aunque estos modelos están fundamentados en la mecánica del mundo real, a menudo tienen dificultades para capturar la realidad compleja y desordenada de la suspensión de un vehículo, la deformación de los neumáticos y las peculiaridades específicas de un parche de terreno determinado. El otro método utiliza la inteligencia artificial para aprender de los datos, observando cómo se mueve un vehículo e intentando adivinar el siguiente paso. Estos modelos basados en el aprendizaje son flexibles, pero a menudo actúan como "cajas negras", ofreciendo poca información sobre por qué un vehículo está resbalando o hundiéndose, y pueden fallar cuando se enfrentan a condiciones de suelo que nunca han visto antes. Ningún enfoque por sí solo ha sido suficiente para proporcionar tanto una alta precisión como una comprensión clara de las fuerzas físicas en juego.

Para cerrar esta brecha, un equipo de investigadores ha desarrollado un nuevo sistema llamado NeSAM, que significa Movilidad Adaptativa al Suelo Neuro-Simbólica (Neuro-Symbolic Soil Adaptive Mobility). Este marco de trabajo no elige entre la física y el aprendizaje; en su lugar, los entrelaza en un modelo único y cohesivo. El sistema opera observando primero el terreno que tiene delante, utilizando cámaras para ver tanto la forma del suelo como el tipo de material del que está hecho, como hierba, tierra o arena. Luego, utiliza un componente especializado basado en la mecánica de suelos establecida para estimar cuánto se hundirán las ruedas y cómo resistirá el suelo el movimiento del vehículo. Esto proporciona una base sólida basada en la física para la predicación. Sin embargo, debido a que las condiciones del mundo real rara vez son perfectas, el sistema también emplea un modelo "residual" basado en el aprendizaje. Piense en esto como un mecanismo de ajuste fino que aprende las pequeñas diferencias sistemáticas entre lo que predicen las ecuaciones de la física y lo que el vehículo realmente hace, corrigiendo la estimación para que coincida con la realidad.

El verdadero poder de NeSAM reside en su capacidad para adaptarse en tiempo real. A medida que el vehículo se mueve, el sistema compara constantemente sus predicciones con el movimiento real que observa. Si el vehículo se hunde más de lo esperado o se desliza más de lo que el modelo predijo, el sistema utiliza un filtro matemático para actualizar su comprensión interna de las propiedades del suelo. Efectivamente pregunta: "Si el suelo se está comportando de esta manera, ¿cuáles deben ser los parámetros del suelo?", y luego ajusta su modelo en consecuencia. Esto permite que el vehículo aprenda sobre el terreno específico que está atravesando a medida que avanza, refinando sus predicciones para los siguientes segundos de viaje. Los investigadores probaron este sistema de dos maneras: primero, en una simulación informática altamente detallada que imita la compleja física de la interacción entre el suelo y el vehículo, y segundo, en un robot físico de cuatro ruedas conduciendo sobre un circuito de pruebas del mundo real con terrenos variables.

Los resultados mostraron que este enfoque híbrido superó significativamente a los métodos existentes. En las simulaciones por computadora, NeSAM redujo los errores de predicción hasta en un 30 por ciento en comparación con los mejores modelos alternativos. Cuando se probó en el robot físico, mejoró la precisión en casi un 29 por ciento. Más importante aún, el sistema demostró su valor cuando el vehículo tuvo que navegar por una ruta donde las condiciones del suelo eran diferentes de aquellas para las que había sido entrenado. En estos escenarios desafiantes, la versión del sistema sin adaptación al suelo falló en completar el recorrido en la mayoría de los ensayos, perdiendo a menudo el control o quedándose atascado. En contraste, la versión adaptativa completó con éxito la gran mayoría de sus recorridos, manteniendo al vehículo mucho más cerca de su trayectoria prevista y manteniendo una orientación más estable. Al combinar la fiabilidad de las leyes físicas con la flexibilidad del aprendizaje automático, NeSAM ofrece una forma robusta para que los vehículos autónomos comprendan y naveguen el mundo impredecible y deformable de los viajes fuera de carretera.

Resumen Técnico: NeSAM – Cinemodinámica Neuro-Simbólica con Adaptación de Suelo para Movilidad Todoterreno

Planteamiento del Problema
La predicción precisa del movimiento de vehículos todoterreno sobre terrenos deformables es un desafío debido a las complejas interacciones que involucran hundimiento, deslizamiento y tracción, las cuales varían con las condiciones locales del suelo. Los modelos cinemáticos planos convencionales no logran dar cuenta del hundimiento dependiente de la presión y la deformación por cizallamiento, lo que genera discrepancias entre el movimiento predicho y el realizado. Si bien los modelos de terramecánica clásicos (por ejemplo, Bekker-Wong) ofrecen interpretabilidad física, dependen de relaciones constitutivas prescritas que pueden no capturar efectos específicos del vehículo, como la complacencia de la suspensión o la deformación del neumático, y sus parámetros de suelo son difíciles de estimar y varían en terrenos heterogéneos. Por el contrario, los modelos cinodinámicos puramente basados en aprendizaje pueden capturar no linealidades complejas, pero suelen tratar el terreno como rígido, carecen de una representación explícita de la mecánica del suelo y ofrecen una interpretabilidad física limitada, lo que dificulta la adaptación en línea.

Metodología
Los autores proponen NeSAM (Neuro-Symbolic Soil Adaptive Mobility), un marco que integra la terramecánica diferenciable con representaciones de terreno aprendidas y un modelo de dinámica residual basado en Transformers. El sistema opera a través de los siguientes componentes:

Arquitectura Neuro-Simbólica:
- Entrada: El modelo toma estados del vehículo ( $x_t$ ), entradas de control ( $u_t$ ) y observaciones locales del terreno ( $m_t$ ), que consisten en parches de elevación ( $m^e_t$ ) y parches semánticos ( $m^s_t$ ).
- Codificación del Terreno: Autoencoders U-Net independientes procesan los datos de elevación y semánticos para producir representaciones latentes. Una cabeza de prioridad semántica del suelo ( $h_\theta$ ) mapea las características semánticas a parámetros nominales del suelo ( $\bar{\theta}_t$ ).
- Codificador Transformer: Un Transformer causal procesa una secuencia de tokens de interacción (combinando estados pasados, controles y contextos de terreno) para capturar dependencias temporales.
- Predicción de Doble Cabeza:
  - Cabeza de Hundimiento: Predice los hundimientos de las ruedas ( $\hat{s}_t$ ) basándose en el historial de interacción, proporcionando las variables de deformación requeridas por el modelo de terramecánica.
  - Cabeza de Residuo de Estado: Predice una corrección a nivel de chasis ( $\Delta x^{res}_t$ ) para contabilizar errores sistemáticos no capturados por los modelos analíticos (por ejemplo, la dinámica de la suspensión o la transferencia de carga).
- Terramecánica Diferenciable: Los hundimientos predichos, las velocidades angulares de las ruedas y las estimaciones actuales del suelo instancian un modelo de Bekker-Wong diferenciable para calcular las fuerzas de contacto rueda-terreno ( $f^{BW}_{i,t}$ ).
- Propagación de Newton-Euler: Estas fuerzas se agregan y se propagan a través de las ecuaciones de Newton-Euler para generar un incremento de estado basado en la física ( $\Delta x^{NE}_t$ ).
- Predicción Final: El siguiente estado se calcula como $\hat{x}_{t+1} = x_t + \Delta x^{NE}_t + \Delta x^{res}_t$ .
Adaptación de Suelo en Línea:
- Durante el despliegue, los componentes neuronales aprendidos permanecen fijos.
- Un Filtro de Kalman Extendido (EKF) actualiza los parámetros del suelo ( $\theta$ ) en línea.
- El EKF utiliza un búfer de velocidades observadas del vehículo frente a las velocidades predichas para refinar la corrección del suelo ( $\Delta \theta$ ), lo que permite al sistema adaptarse a discrepancias entre la prioridad semántica del suelo y las condiciones reales del terreno.

Contribuciones Clave

Marco Neuro-Simbólico: Una arquitectura novedosa que integra la terramecánica de Bekker-Wong diferenciable, representaciones de terreno aprendidas y dinámica residual basada en Transformer para la predicción de movimiento de largo horizonte en seis grados de libertad (6-DoF).
Adaptación en Línea: Un método basado en EKF que actualiza parámetros de terramecánica físicamente interpretables utilizando la discrepancia entre el movimiento predicho y el medido, permitiendo la adaptación a suelos heterogéneos sin necesidad de reentrenar la red neuronal.
Evaluación Exhaustiva: Validación tanto en el simulador Chrono-based Verti-Bench como en una plataforma física Verti-4-Wheeler, demostrando mejoras sobre las líneas base de aprendizaje de última generación y estudios de ablación que confirman la necesidad tanto de la rama de residuo como de la predicción de hundimiento.

Resultados Experimentales
El artículo evalúa NeSAM frente a predictores Transformer de extremo a extremo puros y variantes de Aprendizaje Atento al Terreno (TAL):

Simulación (Verti-Bench): NeSAM redujo los errores de predicción hasta en un 30% en comparación con las líneas base más fuertes. Específicamente, redujo los errores en x, y, z a 0.80m, 0.78m y 0.06m, respectivamente, y el error de guiñada (yaw) a 4.18°.
Experimentos Físicos (Verti-Arena): NeSAM mejoró la precisión de la predicción en un 29% en datos del mundo real en relación con las líneas base, reduciendo los errores en x, y, z en un 17.1%, 15.7% y 36.8% respectivamente en comparación con una línea base de Transformer.
Control de Lazo Cerrado: Al integrarse con un controlador de Integral de Camino de Predicción de Modelo (MPPI) bajo condiciones de suelo fuera de la distribución (OOD):
- Simulación: La adaptación de suelo en línea aumentó la finalización de la trayectoria de 0/5 a 4/5 y redujo la distancia de Hausdorff respecto a la trayectoria de referencia en un 69.4%.
- Físico: Las tasas de finalización mejoraron de 1/5 a 3/5, y los errores medios absolutos de balanceo (roll) y cabeceo (pitch) se redujeron en un 21.2% y 23.0%, respectivamente.

Significancia y Reivindicaciones
Los autores afirman que NeSAM aborda las limitaciones de los métodos existentes al modelar explícitamente la mecánica del suelo mientras mantiene la flexibilidad del aprendizaje basado en datos. La significancia radica en la capacidad de:

Proporcionar predicciones físicamente interpretables que dan cuenta de los efectos del terreno deformable (hundimiento, cizallamiento) que los modelos de superficie rígida omiten.
Permitir la adaptación en línea de los parámetros del suelo, permitiendo que el vehículo mantenga un seguimiento de trayectoria preciso incluso cuando las propiedades del suelo difieren de la prioridad semántica (condiciones OOD).
Lograr una precisión de predicción de largo horizonte superior tanto en simulación como en escenarios del mundo real, facilitando una planificación predictiva más fiable para la movilidad todoterreno.

El artículo reconoce una limitación: el marco asume que las interacciones entre la rueda y el terreno pueden representarse adecuadamente mediante la formulación de Bekker-Wong. Aunque los parámetros pueden adaptarse, las relaciones constitutivas subyacentes no pueden modificarse, lo que podría limitar el rendimiento en terrenos que se desvíen significativamente de estos supuestos. Se sugiere como trabajo futuro explorar modelos de terreno diferenciables más ricos.

Más como este