Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators

1. Il Problema

I Manipolatori Aerei Autonomi (AAM), che integrano droni (es. quadricotteri) con bracci robotici, sono sistemi intrinsecamente accoppiati, non lineari e non stazionari. Durante operazioni come la riconfigurazione del braccio o le variazioni improvvise del carico utile (payload), il sistema manifesta dinamiche residue complesse.

Le sfide principali identificate sono:

• Accoppiamento non lineare: Le forze inerziali dipendono dalla configurazione del braccio e cambiano istantaneamente.
• Effetti multiscala: Esistono dinamiche rapide (accoppiamento inerziale, effetti Coriolis) e dinamiche lente (interazioni aerodinamiche, scia dei rotori, ridistribuzione dell'inerzia dovuta al carico).
• Limiti dei metodi esistenti:
  • I modelli analitici classici faticano a rappresentare accuratamente le forze di accoppiamento inerziali dipendenti dalla configurazione.
  • I modelli basati sui dati (offline) addestrati su dataset statici degradano rapidamente quando le condizioni operative cambiano (es. nuovo carico), poiché assumono dinamiche stazionarie.
  • Le architetture di apprendimento esistenti spesso confondono le dipendenze temporali istantanee con quelle a lungo termine e non separano esplicitamente l'accoppiamento tra le variabili fisiche.

2. Metodologia Proposta

Gli autori propongono un framework predittivo-adattivo che combina un modello offline ad alta capacità con un adattatore online leggero. L'obiettivo è modellare e compensare le dinamiche residue in tempo reale.

A. Factorized Dynamics Transformer (FDT) - Apprendimento Offline

Il cuore del sistema è un'architettura Transformer innovativa progettata per allinearsi alla fisica del sistema:

• Tokenizzazione per Variabili: Invece di trattare i passi temporali come token (approccio standard), il FDT tratta ogni variabile fisica (es. posizione, velocità, coppia di ogni giunto) come un token indipendente. Questo permette all'attenzione di focalizzarsi sull'accoppiamento spaziale tra le variabili.
• Separazione Multiscala:
  • Finestra a Breve Termine: Utilizza l'Auto-Attention per catturare le interazioni istantanee e rapide tra le variabili (accoppiamento inerziale).
  • Finestra a Lungo Termine: Utilizza l'Attention Incrociata (Cross-Attention) su una finestra temporale più ampia per estrarre memoria di regime lento (effetti aerodinamici, variazioni di carico).
• Token Globale: Un token apprendibile aggrega le informazioni da entrambe le scale temporali in un vettore latente compatto, che rappresenta lo stato dinamico attuale del sistema.

B. Latent Residual Adapter (LRA) - Adattamento Online

Per gestire i cambiamenti di distribuzione (es. carico utile non visto durante l'addestramento) senza riaddestrare l'intera rete:

• Correzione Lineare nello Spazio Latente: L'adattamento è limitato a una correzione lineare applicata al vettore latente estratto dal FDT (il token globale).
• Recursive Least Squares (RLS): I parametri della correzione lineare vengono aggiornati in tempo reale utilizzando l'algoritmo RLS. Questo garantisce un adattamento rapido e computazionalmente efficiente.
• Reset Adattivo della Covarianza: Per evitare che l'adattatore diventi "troppo sicuro" in parametri obsoleti (collasso della covarianza) durante cambiamenti bruschi, il sistema include un meccanismo di reset della matrice di covarianza quando l'errore di previsione supera una soglia.

C. Controllo Adattivo Compensato

La previsione del residuo adattata viene integrata direttamente in una legge di controllo adattiva. Il controllore utilizza la previsione del residuo per compensare gli errori di modellazione in ciclo chiuso, garantendo stabilità e precisione di tracciamento senza richiedere la conoscenza completa del modello dinamico.

3. Contributi Chiave

1. Modellazione Strutturata delle Dinamiche Residue: Introduzione del FDT, che separa strutturalmente le interazioni inerziali a breve termine dagli effetti aerodinamici a lungo termine, allineando l'architettura della rete alla fisica del sistema.
2. Identificazione Lineare Latente Online: Il LRA permette un adattamento rapido ai cambiamenti di regime (payload, condizioni ambientali) tramite una correzione lineare nello spazio latente, preservando la rappresentazione non lineare appresa offline e mantenendo un basso costo computazionale.
3. Integrazione nel Controllo in Ciclo Chiuso: Un framework unificato che combina previsione e controllo, dimostrando come la compensazione del residuo migliori la precisione di tracciamento e la reiezione ai disturbi.

4. Risultati Sperimentali

Il framework è stato validato su un manipolatore aereo reale (quadricottero Tarot-650 con braccio a 2 DOF) in condizioni di carico non viste durante l'addestramento.

• Accuratezza Predittiva: Il modello FDT + LRA ha ottenuto un errore quadratico medio (RMSE) di 0.21 e un coefficiente di determinazione ($R^2$) di 0.972, superando significativamente le baseline (LSTM, Transformer standard, Neural-Fly, GP) che hanno mostrato RMSE tra 0.41 e 1.36.
• Efficienza Computazionale: Nonostante l'adattamento online, il tempo di inferenza è rimasto nell'ordine dei millisecondi (3.02 ms), rendendo il sistema adatto al controllo in tempo reale (50 Hz).
• Prestazioni di Tracciamento: Negli esperimenti di tracciamento di traiettoria (manovre S e Figure-8) con carichi variabili, il sistema proposto ha mostrato una precisione di tracciamento superiore e una più rapida attenuazione dei disturbi rispetto ai metodi statali dell'arte.
• Studi di Ablazione: L'analisi ha confermato che la rimozione della memoria a lungo termine o dell'adattatore online degrada significativamente le prestazioni, validando l'importanza della struttura multiscala e dell'adattamento latente.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nel controllo dei robot aerei manipolatori. Dimostra che:

• La strutturazione dell'architettura di apprendimento in base alla fisica del problema (separazione spaziale e temporale) è cruciale per la generalizzazione.
• È possibile ottenere adattamento online robusto senza il costo computazionale proibitivo del riaddestramento completo o dell'adattamento di tutti i parametri della rete.
• L'approccio ibrido (modello fisico-aware + apprendimento dati + adattamento lineare) offre un compromesso ottimale tra accuratezza, stabilità e velocità di esecuzione, rendendo i manipolatori aerei più versatili per compiti reali in ambienti dinamici e incerti.

In sintesi, il paper propone una soluzione elegante che risolve il problema della non stazionarietà nei sistemi robotici complessi, combinando la potenza dei Transformer con l'efficienza degli algoritmi di identificazione adattiva classica.