SoFFT: Spatial Fourier Transform for Modeling Continuum Soft Robots

Sintesi Tecnica: SoFFT: Trasformata di Fourier Spaziale per la Modellazione di Robot Morbidi Continui

Enunciato del Problema
I Robot Morbidi Continui (CSRs), costruiti con materiali flessibili, possiedono teoricamente infiniti Gradi di Libertà (DoFs), offrendo elevata adattabilità in ambienti non strutturati. Tuttavia, questa dimensionalità infinita complica la progettazione del controllore e la simulazione. Sebbene la Teoria delle Astre di Cosserat (CRT) fornisca un quadro efficace per modellare i CSRs come curve variabili nel tempo (schienali) tramite Equazioni alle Derivate Parziali (PDE), l'implementazione pratica richiede una discretizzazione spaziale per ridurre i DoFs. I metodi esistenti, come la Curvatura Costante a Pezzi (PCC), la Deformazione Costante a Pezzi (PCS) e la Deformazione Geometricamente Variabile (GVS), si basano su scelte euristicohe riguardanti il numero di segmenti o la selezione di basi funzionali (ad esempio, polinomi, funzioni trigonometriche). Questi approcci spesso mancano di una giustificazione teorica unificata per selezionare la base ottimale o determinare il numero minimo di segmenti necessario per bilanciare accuratezza ed efficienza computazionale. Inoltre, i metodi di riduzione basati sui dati, come la Decomposizione Ortogonale Propria (POD), spesso accoppiano tutte le modalità di deformazione, rischiando di oscurare le dinamiche specifiche delle modalità e di generare problemi di scalabilità.

Metodologia
Gli autori propongono "SoFFT", un quadro che tratta lo schienale del CSR come un segnale spaziale e applica la Trasformata di Fourier (FT) per analizzare la sua deformazione. La metodologia centrale comprende:

1. Formulazione del Segnale Spaziale: Il campo di deformazione $\xi(s, t)$ è trattato come un segnale definito sullo spazio $s \in [0, L]$. Viene definita la Trasformata di Fourier Spaziale Continua (SFT) per mappare il campo di deformazione nel dominio della frequenza spaziale (numero d'onda $k$).
2. Analisi nel Dominio della Frequenza: Il documento reinterpreta le equazioni statiche e dinamiche della CRT all'interno del dominio della frequenza spaziale. Ciò rivela che la matrice di rigidezza agisce come un filtro convolutivo sul campo di deformazione. Gli autori dimostrano che le tecniche di discretizzazione esistenti (ad esempio, PCS, Deformazione Affine a Pezzi) possono essere interpretate matematicamente come specifici ricostruttori di segnali (ad esempio, Mantenimento di Ordine Zero, Mantenimento di Ordine Uno) nel dominio della frequenza.
3. Estrazione dello Spettro Basata sui Dati: Viene proposta una nuova metodologia per estrarre la base di modellazione ottimale direttamente dai dati sperimentali senza conoscenze preliminari dei parametri fisici. Ciò comporta:
   • Sensorizzazione: Misura di campioni di deformazione lungo il robot.
   • Motor Babbling: Applicazione di segnali di eccitazione standard (gradino, chirp, rumore bianco) agli attuatori per esplorare lo spazio di lavoro.
   • Analisi Spettrale: Calcolo della Trasformata di Fourier Spazio-Tempo (STFT) per identificare le armoniche spaziali dominanti ($k_{max}$) e le caratteristiche dinamiche (risonanza/anti-risonanza).
   • Selezione della Base: Utilizzo dell'algoritmo Basis Pursuit Denoising (BPD) per selezionare un insieme sparso di funzioni di base ottimali da un dizionario predefinito (polinomi, funzioni trigonometriche) che ricostruisce al meglio il campo di deformazione minimizzando i DoFs.
4. Criteri di Troncamento: Viene definito un indice di troncamento basato sull'energia per determinare il numero minimo di segmenti o funzioni di base richiesto, garantendo che l'energia trattenuta soddisfi una specifica soglia di accuratezza.

Contributi Chiave

• Quadro Unificato: Il documento unifica le strategie di modellazione CSR esistenti (PCC, PCS, GVS) sotto un unico quadro CRT interpretandole come problemi di ricostruzione di segnali spaziali.
• Giustificazione Teorica: Fornisce una fondazione teorica per i metodi euristici, come la determinazione del numero minimo di segmenti necessari per una data lunghezza del robot e profilo di deformazione, basandosi sul teorema di Nyquist-Shannon applicato ai segnali spaziali.
• Analisi Specifica per Modalità: A differenza della POD, che deriva una base accoppiata per tutte le modalità, l'approccio FT proposto tratta le modalità di deformazione (flessione, torsione, taglio, allungamento) indipendentemente, evitando problemi di scalabilità e permettendo un troncamento specifico per modalità.
• Modellazione Basata sui Dati: L'introduzione di un flusso di lavoro basato sui dati che utilizza STFT e BPD per identificare basi funzionali ottimali e ridurre l'ordine del modello basandosi su dati sperimentali, indipendentemente dai parametri fisici del robot.
• Validazione: L'approccio è stato validato attraverso simulazioni numeriche (utilizzando la toolbox SoRoSim) ed esperimenti nel mondo reale su un prototipo H-Support equipaggiato con un sistema di motion capture.

Risultati

• Validazione Numerica: Le simulazioni su robot H-Support cilindrici e conici hanno dimostrato che la STFT cattura efficacemente i picchi di risonanza e anti-risonanza. L'analisi ha rivelato che la scelta della base funzionale influenza significativamente la distribuzione dell'energia di deformazione sulle armoniche spaziali. Ad esempio, le basi polinomiali distribuiscono l'energia inversamente proporzionale all'ordine armonico, mentre le basi di Fourier concentrano l'energia in armoniche specifiche.
• Validazione Sperimentale: Gli esperimenti su un prototipo fisico hanno confermato la capacità del metodo di ricostruire la forma dello schienale con elevata accuratezza. Utilizzando BPD con un dizionario misto di basi polinomiali e trigonometriche, il modello ha raggiunto un Errore Quadratico Medio (MSE) paragonabile al modello a ordine completo riducendo al contempo i DoFs (ad esempio, riducendo da 30 a 24 DoFs con una soglia di troncamento dell'1%).
• Robustezza alle Perturbazioni: Il metodo ha identificato con successo nuove armoniche spaziali (nell'intervallo 6–8 $m^{-1}$) indotte da forze impulsive esterne, dimostrando la sua capacità di modellare interazioni di contatto e deformazioni non uniformi.
• Analisi dell'Errore: Gli errori di posizione e orientamento sono risultati aumentare lungo la lunghezza del robot a causa della propagazione dell'errore nella cinematica diretta, ma sono rimasti entro limiti accettabili (ad esempio, < 5% della lunghezza del robot per l'errore di posizione con un troncamento del 5%).

Significato e Affermazioni
Il documento afferma che il quadro SoFFT offre una rappresentazione compatta ed efficiente della deformazione CSR sfruttando le proprietà spettrali del campo di deformazione. Afferma che questo approccio:

• Unifica strategie di modellazione disparate sotto un linguaggio matematico comune.
• Fornisce un'alternativa rigorosa e basata sui dati alla selezione euristica del modello, bilanciando accuratezza ed efficienza computazionale.
• Facilita l'identificazione di funzioni di base ottimali che catturano i comportamenti dinamici e statici specifici del robot, inclusi gli effetti della dinamica degli attuatori e delle forze esterne.
• Non sostituisce le PDE CRT, ma sfrutta le informazioni spettrali per ottimizzare la base all'interno del quadro GVS.

Gli autori concludono che, sebbene l'implementazione attuale sia principalmente offline, l'efficienza computazionale della Trasformata di Fourier Veloce (FFT) suggerisce potenzialità per future applicazioni in tempo reale, come il controllo basato su modello o basato sull'apprendimento e l'adattamento in tempo reale a condizioni ambientali variabili.