💻 computer science

Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots

Este artículo introduce un método de control de forma visual adaptativo al número de módulos para robots neumáticos blandos modulares en serie que permite el control escalable de la configuración de todo el cuerpo a través de diversos números de módulos y condiciones ambientales mediante la reutilización de un controlador entrenado para un solo módulo a través de la descomposición de parches de imagen locales y la aumentación de datos geométricos.

Autores originales: Kyohei Akamine, Takato Horii, Yusuke Sakaue, Hiroki Ishizuka

Publicado 2026-09-01

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kyohei Akamine, Takato Horii, Yusuke Sakaue, Hiroki Ishizuka

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

Los robots blandos son una rama distinta de la ingeniería que reemplaza el metal y el plástico rígidos por materiales flexibles, similares al caucho. A diferencia de las máquinas tradicionales que se mueven con articulaciones fijas y precisas, estos robots se doblan y se retuercen como tejido vivo, lo que les permite escurrirse por espacios estrechos, manipular objetos delicados o navegar por terrenos irregulares sin causar daños. Debido a que sus cuerpos están hechos de componentes blandos y esponjosos, no tienen una única forma fija; en cambio, toda su forma puede cambiar continuamente. Esta flexibilidad los hace increíblemente útiles para tareas en entornos confinados, como procedimientos médicos o misiones de búsqueda y rescate, pero también los hace notoriamente difíciles de controlar. Los modelos computacionales tradicionales luchan por predecir exactamente cómo se moverá un robot blando porque el material se dobla de formas complejas e impredecibles. Para resolver esto, los investigadores han recurrido al control basado en la visión, donde una cámara observa al robot y ajusta sus movimientos en tiempo real, de forma muy similar a como un humano observa su propia mano para guiarla. Sin embargo, un obstáculo importante ha persistido: la mayoría de estos sistemas de control visual están construidos para un tamaño de robot específico. Si un robot está hecho de cinco segmentos conectados, el software de control generalmente no puede usarse en un robot hecho de tres o siete segmentos sin tener que ser completamente reescrito y reentrenado desde cero.

Un equipo de investigadores ha desarrollado un nuevo método que permite a un único sistema de control gestionar robots blandos de diversas longitudes sin necesidad de nuevos datos de entrenamiento para cada tamaño. Se centraron en un tipo de robot construido mediante la unión de segmentos inflables idénticos en línea. En sus experimentos, construyeron robots que iban desde un solo segmento hasta cinco segmentos conectados extremo con extremo. El núcleo de su descubrimiento es una técnica que divide la imagen de todo el cuerpo del robot en piezas pequeñas e individuales, tratando cada segmento como una entidad separada. En lugar de intentar aprender cómo se mueve un robot de cinco segmentos como un objeto gigante y complicado, el sistema aprende cómo se mueve un solo segmento y luego aplica ese mismo conocimiento a cada segmento que ve, independientemente de cuántos vecinos tenga. Este enfoque significa que, una vez que los investigadores enseñaron a la computadora cómo controlar un solo segmento, ese mismo "cerebro" podía reutilizarse instantáneamente para controlar un robot con uno, tres o cinco segmentos.

Para que esto funcionara, los investigadores tuvieron que superar el hecho de que un segmento se ve diferente dependiendo de dónde se encuentre en la línea. Un segmento en la parte inferior de un robot de cinco segmentos aparece en una parte diferente de la vista de la cámara y en un ángulo distinto que un solo segmento situado solo sobre una mesa. Para enseñar a la computadora a ignorar estas diferencias visuales, utilizaron una técnica llamada aumentación de datos geométrica durante la fase de entrenamiento. Esto consistió en rotar y desplazar artificialmente las imágenes del segmento único de miles de formas diferentes, mostrando efectivamente a la computadora que el mismo trozo de caucho podía aparecer en muchas posiciones y orientaciones. Al entrenar el sistema con estas vistas variadas, la computadora aprendió a reconocer la forma esencial del segmento en lugar de su ubicación específica en la imagen. Cuando el sistema se implementaba en un robot de múltiples segmentos, utilizaba una herramienta especializada para localizar cada segmento en la transmisión de la cámara, recortarlo y enviarlo al mismo módulo de control. El módulo calculaba entonces los ajustes de presión de aire necesarios para ese segmento específico para coincidir con una forma objetivo deseada.

Los investigadores probaron este sistema en robots físicos suspendidos en un laboratorio, utilizando una cámara web estándar para observarlos. Programaron los robots para que se doblaran en formas específicas, como retorcerse o curvarse hacia adelante, y midieron qué tan cerca estaba el robot real de la imagen objetivo. Los resultados mostraron que el sistema guiaba con éxito a los robots de uno a cinco segmentos hacia sus formas objetivo. Aunque los robots con más segmentos tardaban un poco más en estabilizarse y mostraban un error ligeramente mayor que los más cortos, el sistema de control funcionaba eficazmente en todas las configuraciones sin ningún entrenamiento adicional. El sistema también demostró ser robusto frente a cambios en el entorno; mantuvo el control incluso cuando cambiaba la iluminación de la habitación, cuando se colocaban objetos en el fondo o cuando se adjuntaba un peso pesado a la punta del robot. En una prueba, se adjuntó una masa de 500 gramos al extremo de un robot de cinco segmentos, simulando la carga adicional que un robot del mundo real podría transportar, y el sistema aún logró guiar al robot hacia la postura correcta.

Una parte crítica de la fiabilidad del sistema fue su capacidad para manejar información faltante. En un escenario del mundo real, partes de un robot podrían estar ocultas por su propio cuerpo, por la mano de una persona u otros objetos, causando que la cámara pierda el rastro de un músculo o segmento específico. Los investigadores construyeron una red ligera que podía adivinar los datos visuales faltantes basándose en las partes circundantes. Cuando una pieza de la forma del robot era oscurecida, esta red reconstruía la imagen faltante, permitiendo que el sistema de control continuara operando sin problemas. Sin esta reconstrucción, el robot habría tenido dificultades para moverse o habría fallado al alcanzar su objetivo. El estudio demostró que, al descomponer un problema complejo de cuerpo completo en tareas locales simples, un único modelo de control puede escalar para manejar máquinas mucho más grandes y complejas. Este hallazgo sugiere que los futuros robots blandos podrían ensamblarse y reensamblarse con diferentes números de partes, y el mismo software de control funcionaría de inmediato, eliminando la necesidad de recolectar nuevos datos o reentrenar el sistema cada vez que la configuración del robot cambie.

Resumen Técnico: Control de Forma Visual Adaptativo al Número de Módulos para Robots Blandos Modulares en Serie

1. Planteamiento del Problema

Los robots blandos, particularmente aquellos construidos con actuadores neumáticos modulares, ofrecen un potencial significativo para operar en entornos confinados y no estructurados. Sin embargo, controlar la forma de todo el cuerpo de estos robots es un desafío debido a sus altos grados de libertad, no linealidades de los materiales, histéresis y variabilidades de fabricación. Si bien han surgido métodos de control basados en datos para evitar el modelado analítico complejo, los enfoques actuales suelen depender de entrenar controladores para estructuras de robots fijas.

Una limitación crítica en el control actual de la forma de todo el cuerpo basado en imágenes es la falta de escalabilidad. Cuando el número de módulos en un robot blando en serie cambia, la distribución espacial de los módulos dentro del campo de visión de la cámara se desplaza. En consecuencia, un controlador entrenado para una configuración específica (por ejemplo, un solo módulo) no puede reutilizarse directamente para configuraciones con diferentes recuentos de módulos sin recolectar nuevos datos de entrenamiento y reentrenar el modelo. Este artículo aborda la necesidad de un marco de control que pueda adaptarse a la variación en el número de módulos utilizando el conocimiento de control aprendido exclusivamente de una configuración de un solo módulo.

2. Metodología

El marco propuesto logra un control escalable de todo el cuerpo mediante la descomposición del problema de control global en tareas locales a nivel de módulo. El sistema consta de tres componentes primarios: un Extractor de Módulos, un Controlador de Módulos y una Red de Reconstrucción de Máscaras.

A. Arquitectura del Sistema

Extractor de Módulos:
- Utiliza un Segmentador de Módulos (MS), un modelo de segmentación de instancias (basado en Detectron2), para identificar cajas delimitadoras para cada módulo en la imagen de todo el cuerpo.
- Los módulos extraídos se ordenan por su posición vertical (de arriba a abajo) para establecer una correspondencia consistente entre las imágenes actuales y objetivo.
- La imagen de todo el cuerpo se recorta en parches locales correspondientes a cada módulo. Se aplica un proceso de interpolación a los límites de los parches para reducir el ruido de fondo.
- Un único MS se ajusta finamente (fine-tuned) en un conjunto de datos combinado que contiene imágenes de todas las configuraciones probadas (de 1 a 5 módulos), lo que le permite localizar módulos independientemente del recuento total.
Controlador de Módulos:
- Opera de forma de bucle cerrado, actualizando iterativamente los voltajes de actuación basándose en la diferencia entre los estados actuales y objetivo.
- Procesamiento de Entrada: Para cada parche de módulo, un Segmentador de Actuadores (AS) identifica los tres músculos artificiales neumáticos (izquierdo, central, derecho). Las máscaras se reordenan según sus coordenadas x de centroide para asegurar un orden de canal espacial consistente (Izquierda-Centro-Derecha).
- Representación de Estado: El tensor de entrada para el controlador es una concatenación de 9 canales de:
  - Máscaras binarias actuales ( $M_{t,n}$ ).
  - Máscaras binarias objetivo ( $M_{targ,n}$ ).
  - Un mapa de voltaje normalizado ( $Q_{t,n}$ ) transmitido desde los voltajes de comando actuales.
- Modelo de Predicción: Un modelo de predicción de voltaje basado en CNN ( $I_\theta$ ) estima el vector de voltaje deseado. El comando final se actualiza utilizando una ganancia de primer orden ( $K=0.5$ ) aplicada a la diferencia entre los voltajes predichos y actuales, seguido de un recorte al rango de voltaje válido.
- Estrategia de Entrenamiento: El controlador se entrena únicamente con datos visuales y de actuación de un solo módulo. Para facilitar la transferencia a los módulos descendentes en cadenas más largas, se aplica aumento de datos geométricos (rotaciones y traslaciones aleatorias) durante el entrenamiento. Esto simula las variaciones posicionales y orientacionales que exhibirían los módulos descendentes en una configuración multi-módulo.
Red de Reconstrucción de Máscaras:
- Aborda el problema de la información visual faltante causada por oclusiones, solapamientos o cambios de iluminación.
- Una red ligera basada en U-Net ( $R_\phi$ ) reconstruye los canales de máscara de los actuadores faltantes.
- Mecanismo: Si un canal específico (por ejemplo, la máscara izquierda) falta o no es confiable, la red toma los dos canales de máscara restantes y el vector de voltaje actual como entrada para predecir el canal faltante. Esto asegura que el controlador reciba un tensor de entrada de 9 canales consistente incluso bajo oclusión parcial.

3. Contribuciones Clave

El artículo describe tres contribuciones primarias:

Marco de Control Visual Composicional: Un método que reutiliza un controlador entrenado exclusivamente con datos de un solo módulo para robots con variaciones en el número de módulos (de 1 a 5) sin requerir la recolección de datos de control específicos de la configuración ni el reentrenamiento del controlador.
Transferencia Escalable vía Aumento de Datos: Demostración de que el aumento de datos geométricos (rotación y traslación) aplicado durante el entrenamiento de un solo módulo reduce eficazmente el desplazamiento de la distribución visual, permitiendo que el controlador se generalice a los módulos descendentes en cadenas largas en serie.
Validación de Robustez: Verificación experimental del rendimiento del controlador en robots físicos bajo variaciones en el número de módulos, perturbaciones ambientales (iluminación, fondo, transformaciones afines), carga de peso y pérdida de máscara sintética.

4. Resultados Experimentales

Los experimentos se realizaron en un robot neumático modular físico (hasta 5 módulos, longitud total de 875 mm) utilizando una única cámara RGB.

Escalabilidad (1 a 5 Módulos): El controlador, entrenado únicamente con datos de un solo módulo, logró conducir robots de 1 a 5 módulos para converger hacia las posturas objetivo (retorcido, hacia adelante, hacia atrás, etc.). Aunque el error cuadrático medio (MSE) y su desviación estándar aumentaron ligeramente con el número de módulos (indicando acumulación de error), el error de imagen disminuyó consistentemente con el tiempo, convergiendo en aproximadamente 20 segundos.
Impacto del Aumento de Datos: Los experimentos comparando el entrenamiento con y sin aumento geométrico mostraron que el aumento suprimió significativamente el aumento del error asociado con el incremento del número de módulos, confirmando su papel en la generalización de la política de control.
Robustez Ambiental: El sistema mantuvo el rendimiento bajo cambios de iluminación, obstáculos en el fondo y transformaciones afines sintéticas (traslación y rotación) de la imagen de retroalimentación.
Carga de Peso: Cuando se acopló una carga de 500g en el extremo del robot de 5 módulos, el controlador convergió con éxito a la forma objetivo, aunque la varianza del error aumentó en diferentes posturas.
Reconstrucción de Máscara: En experimentos donde se eliminó sintéticamente un canal de máscara de actuador, la red de reconstrucción restauró con éxito las características visuales faltantes, permitiendo que el robot convergiera a la postura objetivo. Sin la reconstrucción, el robot no pudo moverse de manera efectiva.

5. Significado y Limitaciones

El artículo sostiene que este trabajo permite el control de la forma de todo el cuerpo sin marcadores y escalable para robots blandos modulares en serie. El significado central reside en la capacidad de desplegar un modelo de control entrenado con un conjunto de datos mínimo de un solo módulo para estructuras de longitud variable y complejas sin necesidad de reentrenamiento. Esto reduce la carga de recolección de datos y facilita la reconfiguración de robots modulares en entornos dinámicos.

Los autores reconocen modestamente las limitaciones:

Acumulación de Error: Los errores en estado estacionario aumentan con el número de módulos, lo cual se atribuye a los cambios en la distribución de la carga (momentos gravitatorios) y a la pérdida de información de profundidad inherente a la visión monocular.
Límites del Aumento de Datos: El aumento actual de rotación y traslación en 2D no reproduce completamente los cambios de escala aparente causados por el movimiento de profundidad (variaciones 3D).
Generación de Objetivos: El estudio asume que se proporciona una imagen objetivo físicamente factible; no aborda la generación de tales objetivos a partir de planificadores de alto nivel o bocetos.

Los resultados sugieren que, si bien el aprendizaje de un solo módulo puede componerse en el control de todo el cuerpo, el acoplamiento físico y las ambigüedades de profundidad en cadenas más largas imponen límites prácticos a la precisión, los cuales podrían abordarse en trabajos futuros mediante la compensación de carga o el aumento de datos consciente de la profundidad 3D.