Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

Los robots que caminan sobre cuatro patas se han vuelto notablemente expertos en navegar por el mundo desordenado e irregular en el que vivimos. Pueden escalar rocas, avanzar por el lodo y recuperarse de resbalones con una gracia que antes parecía imposible para las máquinas. Sin embargo, un obstáculo significativo persiste cuando se les pide a estos robots que hagan algo más que solo caminar: empujar, tirar o cargar objetos mientras se mueven. Esta tarea dual, conocida como loco-manipulación, requiere que el robot interactúe con su entorno de formas complejas. La dificultad radica en que el mundo físico está lleno de incógnitas. Un robot no sabe intrínsecamente qué tan pesada es una caja, qué tan rugoso es el suelo o cuánta fricción existe entre sus patas y el suelo. Si un robot asume que una caja es ligera cuando en realidad es pesada, o asume que el suelo es resbaladizo cuando es pegajoso, sus movimientos fallarán. Podría resbalar, soltar el objeto o volverse inestable. Para que un robot tenga éxito en estas condiciones de incertidumbre, no puede confiar en un conjunto de reglas preprogramadas basadas en un conocimiento perfecto; debe ser capaz de aprender sobre las propiedades físicas de su entorno mientras se mueve.

Los investigadores han intentado resolver esto durante mucho tiempo enseñando a los robots a adivinar estas propiedades antes de comenzar una tarea, o utilizando modelos matemáticos complejos que requieren que el robot calcule la física exacta de cada interacción. Estos métodos tradicionales suelen tener dificultades porque el mundo real es demasiado caótico para cálculos perfectos, especialmente cuando los pies de un robot están constantemente haciendo y rompiendo contacto con el suelo. Un nuevo enfoque, desarrollado por un equipo de ingenieros, ofrece una solución diferente. En lugar de intentar calcular la respuesta perfecta desde el principio, el robot prueba continuamente muchas posibilidades diferentes en su propia mente, las compara con lo que está sintiendo realmente y actualiza su comprensión en tiempo real. Este método permite que el robot se adapte instantáneamente cuando el peso de un objeto cambia o cuando pasa de un suelo liso a uno rugoso.

El núcleo de este nuevo sistema es un marco que los investigadores llaman Adaptive-MHE. Para entender cómo funciona, imagine a un robot empujando una caja pesada a través de un suelo. A medida que el robot se mueve, registra cada detalle de la interacción: qué tan rápido se mueve, cómo se doblan sus articulaciones y cómo responde la caja. El sistema luego ejecuta una simulación rápida y paralela en segundo plano. Genera miles de diferentes escenarios de "qué pasaría si". En un escenario, la caja podría ser muy ligera; en otro, podría ser extremadamente pesada; en un tercero, el suelo podría estar cubierto de hielo. El sistema simula cómo se movería el robot bajo cada una de estas diferentes suposiciones. Luego compara estos movimientos simulados con los datos reales que el robot está recolectando del mundo real. El escenario que más se acerca a los datos del mundo real se selecciona como la verdad más probable. Este proceso no es un cálculo de una sola vez; ocurre continuamente en una ventana deslizante, refinando constantemente la estimación del robot sobre el mundo a medida que llega nueva información.

Este proceso de estimación está estrechamente vinculado al sistema de control del robot. Una vez que el sistema tiene una mejor idea del peso de la caja o de la fricción del suelo, utiliza inmediatamente esa información para ajustar los movimientos del robot. El sistema de control, que decide cómo deben moverse las patas del robot, utiliza estas estimaciones actualizadas para planificar sus siguientes pasos. Si el robot se da cuenta de que la caja es más pesada de lo que pensaba, aplicará automáticamente más fuerza. Si detecta que el suelo es más resbaladizo, ajustará su postura para mantener el equilibrio. Todo el ciclo de detección, estimación y acción ocurre tan rápido que el robot parece reaccionar instintivamente a los cambios en su entorno. Los investigadores probaron este sistema en un robot cuadrúpedo llamado Unitree Go1, que es un robot de cuatro patas disponible comercialmente. Lo colocaron en una serie de tareas desafiantes diseñadas para probar su capacidad para manejar la incertidumbre.

En un conjunto de experimentos, el robot tenía la tarea de empujar una caja hacia un objetivo específico. Los investigadores introdujeron cambios repentinos en el entorno para ver cómo reaccionaría el robot. En un escenario, la masa de la caja aumentó en un kilogramo mientras el robot ya la estaba empujando. En otro, el robot tenía que empujar la caja a través de dos tipos diferentes de suelos: uno con un coeficiente de fricción bajo de 0.4 y otro con un coeficiente de fricción alto de 0.8. El robot tuvo que detectar este cambio en la textura del suelo y ajustar su fuerza de empuje en consecuencia sin detenerse ni perder el control. El sistema también probó la capacidad del robot para empujar una caja usando solo una pata mientras mantenía las otras tres patas estacionarias, una tarea que requiere un equilibrio y una aplicación de fuerza precisos.

Los resultados mostraron que el sistema Adaptive-MHE superó significativamente a los robots que dependían de suposiciones fijas y preestablecidas sobre el entorno. Cuando se le dio al robot una creencia fija sobre el peso de la caja o la fricción del suelo, falló en completar la tarea en la mayoría de los ensayos, a menudo resbalando o perdiendo el objetivo. En contraste, el robot adaptativo tuvo éxito en casi el 87 por ciento de los ensayos, a pesar de que comenzó sin conocimiento de las verdaderas propiedades físicas. Aunque no funcionó de manera tan perfecta como un robot hipotético que conociera el peso y la fricción exactos desde el principio, se acercó notablemente. El robot adaptativo pudo reducir su error al alcanzar el objetivo a una fracción de la distancia del robot no adaptativo. También completó las tareas más rápido y con menos energía desperdiciada.

Los investigadores descubrieron que el sistema funcionaba mejor cuando actualizaba sus estimaciones con frecuencia, pero no tanto como para volverse inestable. Probaron varias configuraciones sobre qué tan seguido debería el robot reevaluar el entorno y cuántos escenarios diferentes debería simular a la vez. Descubrieron que se necesitaba un equilibrio: actualizar las estimaciones cada pocos segundos permitía al robot rastrear los cambios de manera efectiva sin verse abrumado por el ruido en los datos. El sistema fue capaz de identificar la masa del objeto y la fricción del terreno con alta precisión, incluso cuando estas propiedades cambiaban abruptamente durante la tarea. Esta capacidad sugiere que los robots pueden diseñarse para operar efectivamente en entornos donde las propiedades físicas son desconocidas o cambian constantemente, sin necesidad de ser reentrenados para cada nueva situación.

Este trabajo representa un paso significativo hacia la creación de robots más robustos y versátiles. Al combinar un método para estimar parámetros físicos con un controlador que puede actuar sobre esas estimaciones en tiempo real, los investigadores han creado un sistema que puede manejar la imprevisibilidad del mundo real. El enfoque no requiere sensores especiales para medir el peso o la fricción directamente; en su lugar, infiere estas propiedades a partir de los propios movimientos e interacciones del robot. Esto hace que la tecnología sea más práctica para su despliegue en entornos diversos, desde almacenes hasta zonas de desastre, donde las condiciones rara vez se conocen de antemano. El éxito del marco Adaptive-MHE demuestra que los robots pueden aprender a adaptarse a su entorno físico sobre la marcha, cerrando la brecha entre el entorno controlado de una simulación y la realidad caótica del mundo exterior.