Data-Driven Soft Robot Control via Adiabatic Spectral Submanifolds

Sintesi Tecnica: Controllo di Robot Soft Basato sui Dati tramite Sottospazi Immanenti Adiabatici

Definizione del Problema
La complessità meccanica dei robot soft, caratterizzata da compliance e sottovotazione, presenta sfide significative per il controllo basato su modelli. Sebbene siano stati impiegati modelli lineari basati sui dati, questi faticano a controllare i robot soft lungo percorsi complessi e spazialmente estesi che esplorano regioni di comportamento significativamente non lineare. Inoltre, i modelli fisici accurati (ad esempio, i modelli a elementi finiti) sono spesso troppo dimensionali per il Controllo Predittivo del Modello (MPC) in tempo reale, e gli approcci esistenti basati sui dati (come l'apprendimento per rinforzo o l'identificazione di sistemi lineari) spesso si affidano a grandi dataset offline, approssimazioni black-box o falliscono nel catturare la dinamica non lineare sotto forze di controllo non viste. La sfida centrale è sviluppare un modello a bassa dimensionalità, basato sui dati, che catturi accuratamente la dinamica non lineare dei robot soft attraverso ampi domini operativi per consentire un preciso tracciamento delle traiettorie.

Metodologia
Gli autori propongono una strategia di controllo basata sulla teoria dei Sottospazi Immani Adiabatici (aSSM). Questo approccio sfrutta la naturale separazione delle scale temporali nei robot soft fortemente sovrasmorzati, dove le vibrazioni interne decadono molto più velocemente di quanto il robot si muova lungo il suo percorso previsto.

1. Fondamenti Teorici:

   • Il metodo utilizza gli aSSM, ovvero varietà invarianti a bassa dimensionalità che emanano da una "varietà critica" (un insieme di stati stazionari corrispondenti a input di controllo costanti).
   • A differenza degli standard Spectral Submanifolds (SSM), che sono ancorati a un singolo equilibrio, gli aSSM sono validi per input di controllo che variano lentamente ($u(t) = u_s(\epsilon t)$ dove $\epsilon \ll 1$). Ciò consente al modello ridotto di rimanere accurato anche quando il robot si allontana significativamente dalla sua posizione di equilibrio.
   • L'input di controllo è scomposto in una componente lenta ($u_s$) che traccia la varietà critica e una componente di deviazione veloce ($u_d$) che corregge gli errori.

2. Pipeline di Apprendimento Basata sui Dati:

   • Raccolta Dati: Il sistema raccoglie due tipi di dati: (a) traiettorie di decadimento da esperimenti non forzati partendo da varie condizioni iniziali per identificare la geometria dello SSM lento, e (b) traiettorie controllate generate applicando input di controllo variabili nel tempo attorno a varie configurazioni statiche.
   • Apprendimento dello SSM Statico: Utilizzando l'algoritza SSMLearn, gli autori apprendono modelli SSM di ordine zero (parametrizzazione, mappe di chart e dinamiche ridotte) per una griglia di input di controllo statici.
   • Interpolazione: Per costruire un modello globale valido su tutto lo spazio di lavoro, i parametri di questi SSM statici locali vengono interpolati (utilizzando la Weighted Inverse Distance Modificata o la Regressione Polinomiale Quadratica) per formare il modello ridotto aSSM.
   • Calibrazione del Controllo: Matrici di controllo lineari ($B$) vengono apprese dai dati controllati per tenere conto del termine di deviazione del controllo veloce.

3. Implementazione del Controllo:

   • Il modello ridotto aSSM appreso viene inserito in uno schema di Controllo Predittivo del Modello (MPC).
   • Il problema di ottimizzazione minimizza l'errore di tracciamento e l'impegno di controllo su un orizzonte finito, soggetto ai vincoli della dinamica ridotta aSSM.
   • Il metodo è validato utilizzando simulazioni ad alta fedeltà di modelli a elementi finiti di un robot a tronco soft e bracci elastici basati su aste di Coserat.

Contributi Chiave

• Riduzione Adiabatica per Robot Soft: Il documento estende la teoria SSM al regime "adiabatico", consentendo la costruzione di modelli a ordine ridotto che siano validi su ampi domini di operatività, non solo nelle immediate vicinanze di un equilibrio.
• Framework Puramente Basato sui Dati: Gli autori dimostrano un'intera pipeline per apprendere questi modelli ridotti aSSM puramente da dati sperimentali, senza richiedere la conoscenza a priori delle leggi costitutive o delle equazioni governanti del robot.
• Prestazioni di Tracciamento Superiori: Lo studio introduce uno schema di controllo che gestisce efficacemente le non linearità e l'alta dimensionalità dei robot soft, superando i metodi lineari e gli standard SSM-based.

Risultati
Il metodo proposto è stato validato su modelli ad alta dimensionalità di un robot a tronco soft (4.254 gradi di libertà) e bracci elastici soft.

• Accuratezza del Modello: Nei test in anello aperto, i modelli ridotti aSSM a 5 o 6 dimensioni hanno dimostrato un errore medio di traiettoria normalizzato (NMTE) significativamente inferiore rispetto ai modelli a 4D e alle approssimazioni lineari standard, particolarmente nelle regioni con spostamento verticale ($z_{ee}$) significativo dove il comportamento sovrasmorzato è prominente.
• Controllo in Anello Chiuso: In compiti di MPC in anello chiuso che coinvolgono diverse tracce target (varianti in dimensione, scala e velocità), i controllori basati su aSSM hanno ottenuto prestazioni di tracciamento superiori.
• Metriche di Prestazione: I modelli ridotti aSSM hanno superato altri metodi di modellazione basati sui dati (inclusi modelli lineari, Trajectory Piecewise Linearization e approcci basati su Koopman) di un fattore fino a 10 in termini di Errore Quadratico Integrato (ISE) in tutti i compiti di controllo in anello chiuso testati.
• Robustezza: Il sistema ha mantenuto prestazioni robuste anche in presenza di rumore sperimentale e operando con misure di lentezza non dimensionali ($r_s$) fino a circa 3.7, superando il rigoroso requisito teorico di $r_s \ll 1$.

Significato e Rivendicazioni
Il documento afferma che l'applicazione della teoria del sottospazio immanente adiabatico fornisce un quadro matematico rigoroso per ridurre la complessità della dinamica dei robot soft preservando i comportamenti non lineari essenziali. Sfruttando la separazione delle scale temporali lenta-veloce inerente ai robot soft sovrasmorzati, gli autori dimostrano che è possibile derivare modelli a bassa dimensionalità che siano sia accurati che computazionalmente efficienti per l'MPC in tempo reale.

Gli autori posizionano questo lavoro come una soluzione al compromesso tra accuratezza del modello e complessità. Essi sostengono che il loro approccio aSSM basato sui dati evita le insidie della linearizzazione (che fallisce in regimi altamente non lineari) e la natura vorace di dati dell'apprendimento per rinforzo. I risultati suggeriscono che i modelli ridotti aSSM offrono una via percorribile verso il controllo preciso e ad alta velocità di robot soft in ambienti complessi, una capacità precedentemente limitata dalla mancanza di modelli a ordine ridotto adeguati. Il lavoro valida il fatto che questi modelli possono generalizzare a traiettorie non viste e operare efficacemente anche quando il movimento del robot non è strettamente "lento" rispetto ai tassi di decadimento interni, a patto che la misura di lentezza rimanga entro limiti pratici.