Data-Driven Autoregressive Power Prediction for GTernal Robots in the Robotarium

Titolo

Previsione Autoregressiva dei Dati per il Consumo Energetico nei Robot GTernal del Robotarium

1. Il Problema

Gli algoritmi di coordinamento per sistemi multi-robot stanno sempre più integrando la consapevolezza energetica come obiettivo primario (es. controllo di copertura con vincoli di batteria, allocazione di compiti sotto budget energetici, apprendimento per rinforzo). Tuttavia, gli approcci esistenti per la modellazione del consumo energetico si basano prevalentemente su approssimazioni cinematiche (funzioni polinomiali della velocità o dei comandi del motore).
Questi modelli falliscono nel catturare le dinamiche complesse dell'hardware reale, ignorando fattori critici come:

• Dinamiche termiche dei motori.
• Comportamenti transitori durante l'accelerazione.
• Overhead delle comunicazioni wireless.
• Cicli di lavoro dei sensori.
  Di conseguenza, quando questi modelli vengono applicati ai dati telemetrici reali, si verificano errori di previsione significativi, rendendo difficile la pianificazione affidabile delle missioni e la simulazione realistica.

2. Metodologia

Gli autori propongono un predittore autoregressivo basato sui dati per la piattaforma robotica mobile GTernal, deployata nel Georgia Tech Robotarium.

• Raccolta Dati: Sono stati raccolti 48.000 campioni di telemetria da un singolo robot GTernal attraverso sei protocolli di movimento distinti (movimento strutturato, navigazione verso obiettivi, variazioni di accelerazione, estremi di velocità, camminata casuale e stato stazionario). I dati includono comandi di velocità e letture di potenza reali (misurate con precisione di 10 mW tramite monitor INA260) a una frequenza di 30 Hz.
• Analisi Statistica: L'analisi ha rivelato una forte autocorrelazione temporale nel consumo energetico (correlazione a ritardo 1, $\rho_1 = 0.95$). Questo indica che la storia recente del consumo di potenza è molto più informativa dello stato cinematico attuale. Un modello basato solo sulla velocità spiega solo il 16% della varianza, mentre un modello autoregressivo semplice può spiegare fino al 90%.
• Architettura del Modello: È stato progettato un Multi-Layer Perceptron (MLP) leggero e autoregressivo.
  • Input: Un vettore di 11 dimensioni composto da 6 feature cinematiche (velocità lineare $v$, angolare $\omega$, loro derivate e valori assoluti) e 5 lag storici del consumo di potenza normalizzato.
  • Struttura: Tre strati nascosti con dimensioni 64, 64 e 32, utilizzando funzioni di attivazione GELU (Gaussian Error Linear Unit) per garantire gradienti lisci e stabilità nell'ottimizzazione.
  • Parametri: Il modello totale conta solo 7.041 parametri, rendendolo estremamente efficiente.
  • Addestramento: Utilizzo dell'ottimizzatore Adam, con early stopping e validazione su un trial di movimento non visto durante l'addestramento.

3. Contributi Chiave

1. Caratterizzazione delle Dinamiche Energetiche: Analisi sistematica che dimostra come il consumo energetico sui robot GTernal sia dominato dalla persistenza temporale (stato termico, transitori) piuttosto che dalla cinematica istantanea.
2. Predittore Autoregressivo Efficiente: Sviluppo di un modello MLP che raggiunge il "tetto teorico" di previsione imposto dal rumore di misura ($R^2 \approx 0.90$) utilizzando un numero minimo di parametri.
3. Trasferimento Zero-Shot: Dimostrazione che il modello addestrato su un singolo robot può essere applicato direttamente (senza ri-addestramento) a robot diversi e a pattern di movimento non visti, mantenendo alte prestazioni.
4. Open Source: Rilascio pubblico del modello addestrato, del dataset completo e del codice di deployment per favorire lo sviluppo di algoritmi multi-robot consapevoli dell'energia.

4. Risultati

• Validazione su Singolo Robot:
  • Su un trial di test tenuto in riserva (steady-state), il modello ha raggiunto un $R^2 = 0.92$ con un errore medio assoluto (MAE) di 31.5 mW (0.86% di errore percentuale).
  • La media su tutti i trial è stata di $R^2 = 0.90$.
  • Il modello riesce a tracciare transizioni rapide e livelli di potenza sostenuti con un ritardo minimo, superando i predittori puramente cinematici.
• Validazione Fisica Multi-Robot (Zero-Shot Transfer):
  • Il modello è stato testato su 7 robot GTernal diversi che eseguivano una camminata casuale con evitamento collisioni.
  • Risultato: $R^2$ medio di 0.87 con una deviazione standard di 0.018, dimostrando robustezza nonostante le variazioni di produzione (motori, batterie, elettronica) tra i robot.
  • L'errore cumulativo di previsione energetica è rimasto inferiore al 2.3% per tutti i robot, sufficiente per la stima dello stato di carica (SoC) e la pianificazione di missione.
• Prestazioni Computazionali:
  • Tempo di inferenza: 224 µs per passo.
  • Throughput: 4.500 Hz (su GPU), ovvero 150 volte più veloce del tasso di controllo del Robotarium (30 Hz).
  • Il modello può essere eseguito anche su CPU (Raspberry Pi del robot) senza dipendenze da librerie di deep learning pesanti.

5. Significato e Impatto

Questo lavoro sposta il paradigma della modellazione energetica robotica da approcci fisici/cinematici complessi e spesso imprecisi a un approccio data-driven basato sull'autocorrelazione temporale.

• Affidabilità: Permette agli algoritmi di pianificazione e controllo di ragionare sull'esaurimento della batteria con un'accuratezza senza precedenti, riducendo il rischio di guasti improvvisi durante le missioni.
• Efficienza: La leggerezza del modello (7k parametri) lo rende ideale per l'implementazione in tempo reale su hardware embedded a risorse limitate.
• Generalizzazione: La capacità di trasferire il modello a nuovi robot e comportamenti senza ri-addestramento ("zero-shot") è cruciale per la scalabilità dei sistemi multi-robot su larga scala.
• Comunità: La disponibilità di dati e modelli accelera la ricerca su algoritmi di allocazione di compiti e apprendimento per rinforzo ottimizzati per l'energia nel Robotarium e su piattaforme simili.