Résumé technique : Champs vectoriels pour le suivi de trajectoire sur les groupes de Lie avec application en contrôle robotique

Énoncé du problème

De nombreux systèmes robotiques, tels que les véhicules aériens omnidirectionnels, les robots sous-marins et les effecteurs terminaux de manipulateurs, possèdent un contrôle indépendant de la position et de l'orientation (pose). Ces systèmes opèrent comme des corps rigides dans l'espace tridimensionnel, évoluant sur la variété de configuration $SE(3)$ plutôt que dans l'espace euclidien. Le problème central abordé est le suivi de trajectoire : guider un système vers une courbe géométrique sans paramétrisation temporelle préassignée. Contrairement au suivi de trajectoire, le suivi de trajectoire découple les tâches spatiales des spécifications temporelles, offrant des avantages tels qu'une robustesse accrue face aux perturbations, une convergence plus fluide et un effort de contrôle réduit.

Bien que les champs vectoriels directeurs aient été appliqués avec succès au suivi de trajectoire dans l'espace euclidien ($\mathbb{R}^n$), l'extension de ce cadre aux groupes de Lie tels que $SE(3)$ présente des défis. Les approches précédentes intègrent souvent la variété dans un espace euclidien de dimension supérieure et projettent les commandes de retour, entraînant des dimensions de contrôle redondantes (par exemple, 9 dimensions pour $SO(3)$ au lieu des 3 intrinsèques). De plus, les méthodes existantes sur les variétés reposent souvent sur des définitions implicites de niveaux d'ensembles pour les courbes, ce qui peut être incommode pour spécifier des trajectoires complexes. Cet article répond au besoin d'un cadre général et intrinsèque de champs vectoriels pour le suivi de trajectoire sur les groupes de Lie matriciels connexes, produisant des commandes minimales et non redondantes (par exemple, des torseurs) et prenant en charge les représentations de courbes paramétriques.

Méthodologie

Cadre théorique

Les auteurs proposent une stratégie générale de champ vectoriel pour les groupes de Lie matriciels connexes $G$. La dynamique du système est modélisée comme un système du premier ordre, entièrement actionné :
$$\dot{H}(t) = S(\xi(t))H(t)$$
où $H(t) \in G$ est l'état, $\xi(t) \in \mathbb{R}^m$ est la commande (torseur généralisé), et $S$ est une application linéaire de $\mathbb{R}^m$ vers l'algèbre de Lie $\mathfrak{g}$.

Le champ vectoriel directeur $\Psi(H)$ est construit comme la somme de deux composantes :
$$\Psi(H) = k_N(H)\xi_N(H) + k_T(H)\xi_T(H)$$

1. Composante normale ($\xi_N$) : Responsable de la convergence vers la courbe. Elle est dérivée du gradient d'une fonction de distance.
2. Composante tangente ($\xi_T$) : Responsable de la progression le long de la courbe. Elle est définie par le vecteur tangent de la courbe au point le plus proche.

Innovations mathématiques clés

Pour étendre l'approche de champ vectoriel euclidien (spécifiquement de [11]) aux groupes de Lie, les auteurs introduisent des opérateurs et des propriétés de distance spécifiques :

• Opérateurs :
  • Opérateur $\Xi$ : Extrait le vecteur de vitesse de l'algèbre de Lie d'un chemin différentiable sur le groupe, analogue à la dérivée temporelle $\frac{d}{dt}$.
  • Opérateur $\mathcal{L}$ : Analogue à l'opérateur gradient $\nabla$ sur un groupe de Lie, défini via la limite des dérivées directionnelles le long de la structure du groupe.
• Exigences de la fonction de distance : Le cadre repose sur une fonction de distance Élément-à-Élément (EE-) $\bar{D}$ qui satisfait trois propriétés critiques :
  1. Invariance à gauche : $\bar{D}(AV, AW) = \bar{D}(V, W)$. Cela garantit que les composantes normale et tangente sont orthogonales.
  2. Chaînage : La distance entre deux points est égale à la somme des distances le long d'un chemin spécifique les reliant. Cette propriété garantit l'absence de minima locaux en dehors de la courbe cible.
  3. Linéarité locale : La distance se comporte de manière linéaire près du chemin, garantissant que le gradient (composante normale) ne s'annule jamais en dehors de la courbe.

Spécialisation à $SE(3)$

Pour le cas spécifique de $SE(3)$, l'article définit une classe de Groupes de Lie exponentiels spéciaux. Pour ces groupes, une distance EE valide est construite en utilisant la norme de Frobenius du logarithme matriciel :
$$\bar{D}(V, W) = \| \log(V^{-1}W) \|_F$$
Cette formulation permet un algorithme explicite et efficace pour calculer la distance et ses dérivées, évitant le coût computationnel des calculs géodésiques généraux. La commande $\xi$ correspond directement au torseur du robot (vitesses linéaires et angulaires), garantissant que la dimension de la commande correspond aux degrés de liberté du système.

Contributions clés

1. Généralisation aux groupes de Lie : L'article étend la stratégie de champ vectoriel de l'espace euclidien aux groupes de Lie matriciels connexes, aboutissant à une commande non redondante respectant la géométrie intrinsèque de l'espace de configuration.
2. Preuves formelles et propriétés de distance : Les auteurs fournissent des preuves formelles de convergence et de progression, dérivant des propriétés spécifiques (invariance à gauche, chaînage, linéarité locale) qu'une fonction de distance doit satisfaire pour assurer la stabilité du champ vectoriel.
3. Algorithme efficace pour $SE(3)$ : Un algorithme efficace est développé pour mettre en œuvre la stratégie sur $SE(3)$, exploitant la propriété exponentielle spéciale pour calculer les distances et les gradients sans dimensions redondantes.
4. Validation réelle : L'approche est validée par des expériences avec un manipulateur robotique Kinova Gen3 suivant des trajectoires de pose complexes.

Résultats expérimentaux

Les auteurs ont mené des expériences utilisant un manipulateur Kinova Gen3 à 7 degrés de liberté. L'effecteur terminal avait pour tâche de suivre une courbe complexe et discrétisée dans $SE(3)$ évitant les collisions internes et les limites articulaires.

• Performance : Le système a convergé avec succès vers la courbe désirée et l'a parcourue.
• Métriques : La distance euclidienne (distance EC) à la courbe a diminué au fil du temps, et le système a maintenu de faibles erreurs de position et d'orientation une fois sur le chemin.
• Efficacité computationnelle : Le calcul du champ vectoriel a nécessité en moyenne 8,9 ms par itération sur un processeur standard. Les auteurs notent que 99,5 % de ce temps a été consacré à la résolution du problème d'optimisation pour trouver le point le plus proche sur la courbe, suggérant un potentiel d'accélération supplémentaire via le parallélisme (par exemple, GPU).
• Observations : De légères déviations d'erreur ont été observées lorsque le robot opérait près de configurations singulières, nécessitant des ajustements fréquents d'orientation, mais le système est resté stable.

Importance et affirmations

L'article prétend offrir un cadre unifié intégrant la planification de trajectoire, le suivi de trajectoire et le contrôle pour les systèmes robotiques opérant sur des groupes de Lie. Son importance principale réside dans :

• Contrôle intrinsèque : Contrairement aux méthodes qui projettent des commandes depuis des espaces de dimension supérieure, cette approche génère des commandes (torseurs) minimales et directement applicables aux systèmes d'ingénierie.
• Flexibilité paramétrique : En adoptant des représentations de courbes paramétriques plutôt que des intersections de niveaux, le cadre s'adapte plus naturellement aux courbes complexes, ce qui est crucial pour les tâches robotiques pratiques.
• Robustesse : Les garanties théoriques de convergence « presque globale » (avec la capacité d'échapper aux ensembles problématiques via de petites perturbations) et le découplage des tâches spatiales et temporelles offrent des avantages pratiques pour la navigation réelle dans des environnements encombrés.

Les auteurs concluent que bien que la métrique de distance actuelle soit spécifique aux groupes de Lie exponentiels spéciaux, le cadre ouvre la voie à des travaux futurs sur les courbes variant dans le temps, les systèmes sous-actionnés et des fonctions de distance plus générales. Une implémentation open source est fournie pour faciliter la recherche et l'application ultérieures.