Learning Control as Enabling Layer for Embodied Intelligence Research explored with Soft Robotic Swimming in diverse Flow Speeds

Résumé Technique : L'apprentissage de contrôle comme couche habilitante pour l'intelligence incarnée dans la natation robotique souple

Énoncé du problème
Les plateformes robotiques souples sont précieuses pour étudier la locomotion ondulatoire corps-queue et tester des hypothèses biomécaniques (robophysique). Cependant, leurs corps compliants sont difficiles à contrôler avec précision sous une charge hydrodynamique changeante. Le retour PID (proportionnel-intégral-dérivé) conventionnel peut stabiliser l'ondulation périodique dans l'eau statique, mais échoue en flux dynamique. Plus précisément, le PID accumule des retards de suivi dépendants du flux et une augmentation de la variabilité inter-essais due aux non-linéarités du système. Cette variabilité occulte les effets de la morphologie et du flux environnemental, rendant difficile l'attribution des différences de poussée ou de stabilité à des paramètres physiques spécifiques plutôt qu'au bruit induit par le contrôle. Bien que le contrôle basé sur l'apprentissage soit apparu comme un complément au PID pour les robots souples aux paramètres incertains, les implémentations précédentes de schémas d'estimation par apprentissage répétitif linéaire (LRLES) n'ont été validées que dans l'eau statique. Il restait donc à déterminer si de tels schémas pouvaient maintenir la précision de suivi et la répétabilité sous une charge hydrodynamique dynamique.

Méthodologie
Les auteurs ont évalué une architecture de contrôle augmentant un contrôleur PID standard par un schéma d'estimation par apprentissage répétitif linéaire (PID-LRLES) sur une plateforme de poisson robotique souple.

• Plateforme : Le robot présente une structure corps-queue compliante actionnée par des muscles pneumatiques souples appariés et instrumentée par un capteur de flexion capacitif souple intégré. Le capteur fournit un retour proprioceptif en temps réel à 1 kHz, mesurant la déformation réelle du corps plutôt que de se fier à des commandes en boucle ouverte.
• Architecture de contrôle :
  • Référence (Baseline) : Un contrôleur PID à gain fixe conventionnel, réglé dans l'eau statique.
  • Proposé : PID-LRLES, qui ajoute un terme d'apprentissage en parallèle du bloc PID. Ce schéma généralise l'action intégrale classique aux références périodiques (non constantes). Il utilise une réalisation d'espace d'état de dimension finie (utilisant des approximations de Padé pour les délais) afin d'estimer et de compenser les perturbations périodiques cycle par cycle. La fonction de transfert d'apprentissage est conçue avec des pôles ayant des parties réelles négatives pour éviter l'instabilité à long terme typique des contrôles répétitifs classiques.
• Configuration expérimentale : Les expériences ont été menées dans un réservoir à flux recirculant à cinq vitesses de flux global allant de 0 à 32,6 cm s⁻¹ (nombres de Reynolds jusqu'à environ 7,5 × 10⁴).
• Protocole : Les gains du contrôleur ont été réglés une seule fois dans l'eau statique et maintenus fixes à travers toutes les conditions de flux pour isoler la contribution du terme d'apprentissage. Chaque essai comprenait une phase en boucle fermée de 30 secondes où le robot suivait une référence d'enveloppe de flexion périodique. Cinq répétitions indépendantes ont été enregistrées par condition pour les deux contrôleurs.
• Métriques : La précision du suivi a été quantifiée par l'erreur quadratique moyenne (RMSE) de l'enveloppe de flexion. La répétabilité a été évaluée via la dispersion inter-essais de la RMSE, analysée par un test de Wilcoxon signé-rang par paires.

Contributions clés

1. Validation sous flux dynamique : L'étude fournit une évaluation complète du PID-LRLES sous un flux dynamique contrôlé, démontrant que le contrôle par apprentissage améliore non seulement la précision du suivi, mais aussi la robustesse et la répétabilité des expériences de natation.
2. Intégration de la proprioception souple : Ce travail intègre un retour proprioceptif souple embarqué (capteur de flexion capacitif) dans un système de contrôle en boucle fermée, permettant au contrôleur d'observer la déformation réelle du corps et le biais hydrodynamique périodique induit par le flux.
3. Réduction de la variabilité : Les auteurs démontrent une réduction significative de la variabilité de l'erreur de suivi par rapport au contrôle PID conventionnel, même avec des gains fixes.
4. Couche habilitante pour la robophysique : L'approche est positionnée comme une couche habilitante pour les futures études de robophysique, permettant aux chercheurs d'isoler les effets de la morphologie, de la détection et du flux environnemental en minimisant la variabilité induite par le contrôle.

Résultats

• Précision du suivi : Bien que la base PID ait maintenu une oscillation stable, elle a présenté un retard de suivi et un déficit d'amplitude croissants à mesure que la vitesse du flux augmentait (déviation de pointe passant d'environ 0,02 rad à 0 cm/s à environ 0,04 rad à 32,6 cm/s). En revanche, le PID-LRLES a suivi la référence de plus près à toutes les vitesses, maintenant l'enveloppe à ±0,015 rad de la référence, même à la vitesse de flux la plus élevée après une période transitoire.
• Variabilité de l'erreur : La RMSE moyenne pour le PID-LRLES était inférieure à celle du PID à chaque vitesse de flux. Crucialement, la base PID a montré une augmentation monotone de la RMSE moyenne avec la vitesse du flux, tandis que le PID-LRLES présentait une dépendance beaucoup plus plate (ne passant que de 0,015 à 0,018 rad).
• Signification statistique : Un test de Wilcoxon signé-rang par paires sur les distributions de RMSE par essai (regroupées sur cinq vitesses de flux, $n_{paires}=25$) a confirmé que le PID-LRLES réduisait significativement la variabilité de l'erreur de suivi par rapport à la base PID ($p = 1,8 \times 10^{-4}$).
• Robustesse : Le terme d'apprentissage a efficacement absorbé la composante récurrente de la perturbation hydrodynamique, éliminant la dérive inter-essais que le PID à gain fixe ne pouvait compenser.

Signification et affirmations
L'article affirme qu'en réduisant la variabilité du contrôle induite par le flux, l'approche PID-LRLES fournit une couche habilitante robuste pour les études de robophysique. Plus précisément :

• Elle permet d'attribuer avec confiance les différences observées de poussée, de couple de tangage ou de stabilité de nage à la morphologie ou au flux environnemental plutôt qu'à des artefacts de contrôle.
• Elle démontre que le contrôle en boucle fermée amélioré par l'apprentissage peut fonctionner efficacement avec des gains réglés uniquement dans l'eau statique, supprimant ainsi la charge d'un recalibrage par flux.
• Elle souligne la nature complémentaire de la détection souple et de l'apprentissage répétitif : le capteur expose le biais hydrodynamique périodique, tandis que le terme d'apprentissage l'absorbe au fil des cycles d'oscillation passés.
• L'architecture est informatiquement efficace (22 états), permettant un déploiement sur du matériel embarqué en temps réel à faible consommation sans support GPU, ce qui la rend adaptée aux robots souples autonomes non filaires.

Les auteurs notent des limitations, notamment le test à une fréquence de battement unique, l'utilisation d'un mât rigide (empêchant les tests de nage libre) et la restriction au suivi d'enveloppe plutôt qu'aux mesures directes de poussée ou d'efficacité. Cependant, ils affirment que la répétabilité cinématique démontrée est une condition préalable nécessaire pour des comparaisons hydrodynamiques fiables entre différentes morphologies.