Sintesi Tecnica: Apprendimento Sparso Consapevole della Fisica e Adattamento Selettivo Online per la Dinamica Robotica Euler-Lagrange

1. Definizione del Problema

I modelli dinamici accurati sono fondamentali per il controllo robotico basato su modello, che tipicamente si affida alle formulazioni Euler-Lagrange (EL). Tuttavia, i modelli EL nominali spesso falliscono negli scenari del mondo reale a causa di effetti non modellati come variazioni del carico utile, accoppiamenti intra-sistemici, attrito, resistenza aerodinamica e condizioni operative variabili.

I metodi di apprendimento correttivi esistenti affrontano generalmente questo problema introducendo un singolo termine residuo additivo al modello nominale. Sebbene efficaci nel ridurre l'errore di predizione, questi approcci trattano spesso il disallineamento come una funzione non strutturata e "black-box". Ciò trascura la struttura meccanica interna dei sistemi EL, violando proprietà fisiche critiche come la simmetria, la positività definita della matrice d'inerzia e l'accoppiamento specifico tra l'inerzia e i termini dipendenti dalla velocità (Coriolis/centrifughi). Di conseguenza, tali modelli possono generare predizioni fisicamente incoerenti e una ridotta affidabilità quando inseriti in controllori.

Inoltre, i sistemi reali presentano un accoppiamento variabile nel tempo in cui molte interazioni di stato rimangono deboli, suggerendo che la dinamica residua sia parzialmente sparsa. I metodi esistenti spesso non riescono a sfruttare questa sparsità o ad adattarsi efficientemente a condizioni non stazionarie senza incorrere in elevati costi computazionali o inefficienza dei dati. La sfida principale è sviluppare un framework di apprendimento che preservi la forma meccanica strutturata dei sistemi EL, consentendo al contempo un adattamento online compatto e selettivo alle perturbazioni variabili.

2. Metodologia

Gli autori propongono un framework di apprendimento residuo che preserva la struttura, che decompone il disallineamento del modello in componenti distinte, separando i termini meccanicamente accoppiati dalle forze sensibili alle perturbazioni. La metodologia consiste in quattro fasi principali:

A. Decomposizione Residua Strutturata

Invece di apprendere un singolo residuo additivo $\delta$, il modello decompone la correzione in tre parti basate sull'equazione EL:
$$\delta_t = \Delta M_t \ddot{\chi}_t + \Delta C_t \dot{\chi}_t + \Delta f_t$$

1. Correzione dell'Inerzia ($\Delta M$): Una correzione strutturata alla matrice d'inerzia.
2. Termine di Coriolis Indotto ($\Delta C$): Derivato direttamente dall'inerzia corretta per preservare la proprietà di antisimmetria ($\dot{M} - 2C$).
3. Residuo della Forza Generalizzata ($\Delta f$): Cattura le forze non conservative (attrito, resistenza, disturbi esterni).

B. Modellazione delle Interazioni Latenti Sparse

Per gestire la dinamica dipendente dalla storia e sfruttare la sparsità, il sistema codifica una finestra di storia finita di osservazioni ($H_t$) in una rappresentazione latente $\tilde{z}_t$ utilizzando una rete convoluzionale temporale. Questa rappresentazione viene poi divisa in due rami tramite soft-thresholding (un meccanismo di codifica sparsa):

• Ramo Strutturale ($z^M_t$): Un codice sparso che guida la correzione dell'inerzia.
• Ramo Adattivo ($z^f_t$): Un codice sparso che guida la correzione della forza generalizzata.

Ciò assicura che solo un piccolo sottoinsieme di modalità di interazione "attive" venga utilizzato in ogni momento, promuovendo la parsimonia.

C. Vincoli Fisici e Parametrizzazione

• Matrice d'Inerzia: L'inerzia corretta $\hat{M}$ è parametrizzata come la somma dell'inerzia nominale e di una correzione appresa. La correzione è costruita come un termine a basso rango più un termine diagonale strettamente positivo (utilizzando un'attivazione softplus), garantendo che $\hat{M}$ rimanga Simmetrica Positiva Definita (SPD) per costruzione.
• Matrice di Coriolis: La matrice di Coriolis corretta $\hat{C}$ non è appresa indipendentemente, ma è derivata analiticamente dall'inerzia appresa $\hat{M}$ tramite i simboli di Christoffel. Questo impone l'accoppiamento meccanico tra l'inerzia e i termini di velocità.
• Forza Generalizzata: Modellata come una funzione lineare del codice latente adattivo sparso ($\Delta f = \Theta z^f_t$).

D. Adattamento Selettivo Online

Per gestire condizioni variabili nel tempo (es. variazioni del carico utile), il framework impiega un adattamento selettivo online:

• Le componenti meccanicamente strutturate ($\Delta M$ e $\Delta C$) vengono mantenute fisse dopo l'addestramento offline.
• Solo il decoder della forza generalizzata ($\Theta$) viene aggiornato online.
• Gli aggiornamenti sono eseguiti utilizzando la Regressione Lineare Bayesiana all'interno dello spazio latente attivo definito dagli elementi non nulli di $z^f_t$. Ciò consente un adattamento rapido e con alta efficienza campionaria alle perturbazioni, senza dover riaddestrare l'intero modello o violare la struttura meccanica appresa.

3. Contributi Chiave

Il documento evidenzia tre contributi primari:

1. Decomposizione Residua Preservante la Struttura: La formulazione dell'apprendimento residuo per i sistemi EL mediante la separazione esplicita delle correzioni d'inerzia, dei termini di Coriolis indotti e delle forze generalizzate. Ciò preserva le proprietà meccaniche chiave (simmetria, positività definita) invece di assorbire tutte le discrepanze in un termine generico "black-box".
2. Modellazione delle Interazioni Dipendenti dalla Storia Parsimoniosa: L'introduzione di una rappresentazione latente sparsa che cattura un numero limitato di pattern di interazione attivi. Ciò consente una modellazione compatta sia dei disallineamenti meccanici strutturati che degli effetti di disturbo, sfruttando l'osservazione che molte interazioni di stato sono costantemente deboli.
3. Adattamento Online Bayesiano Selettivo: Lo sviluppo di un meccanismo di adattamento che aggiorna solo la componente della forza generalizzata sensibile ai disturbi all'interno dello spazio latente attivo. Ciò mantiene l'integrità della struttura meccanica appresa garantendo al contempo la reattività alla dinamica non stazionaria.

4. Risultati Sperimentali

Il metodo è stato valutato su cinque piattaforme robotiche: un robot mobile a trazione differenziale, un manipolatore a 6 gradi di libertà (DoF), un quadrotor, un manipolatore mobile e un manipolatore aereo. Gli esperimenti hanno riguardato il tracciamento di traiettorie complesse a forma di otto sotto carichi variabili e condizioni operative differenti.

• Accuratezza della Predizione: Il metodo proposto ha ottenuto l'errore di predizione normalizzato più basso rispetto ai baseline, inclusi Sparse System Identification (SysID), Physics-Inspired TCNs (PI-TCN) e Deep Model Reference Adaptive Control (DMRAC). I baseline hanno avuto difficoltà con l'accoppiamento dipendente dalla configurazione nei manipolatori mobili e aerei, mentre l'approccio strutturato ha eccelso.
• Tracciamento della Traiettoria: In un controllo a ciclo chiuso utilizzando un controllore a coppia calcolata (computed torque controller), il metodo proposto ha dimostrato prestazioni di tracciamento superiori (RMSE più basso) rispetto ai modelli deep offline (DNN, Diffusion), agli approcci di meta-learning e agli MLP attivi. I risultati indicano che combinare la modellazione strutturata con aggiornamenti ricorsivi e consapevoli dell'incertezza è critico per un tracciamento robusto sotto dinamiche non stazionarie.
• Studi di Ablazione:
  • Sparsità: Livelli di moderata sparsità hanno prodotto il miglior equilibrio tra espressività e robustezza, migliorando l'efficienza dei dati in regimi con pochi dati e consentendo una convergenza più rapida.
  • Adattamento: Il modello sparso ha mostrato un recupero dell'errore più veloce e una convergenza più fluida a seguito di disturbi transitori (es. caduta del carico utile) rispetto ai modelli densi. La dimensione latente attiva aumentava dinamicamente durante i transitori e tornava ai livelli nominali, dimostrando una complessità adattiva.

5. Significato e Rivendicazioni

Il documento sostiene che un controllo accurato basato su modello nel mondo reale richiede più di una semplice riduzione dell'errore di predizione; richiede coerenza fisica e adattabilità selettiva.

• Coerenza Fisica: Preservando la struttura EL (inerzia SPD, termini di Coriolis accoppiati), il modello rimane interpretabile e affidabile, evitando le insidie delle correzioni black-box non strutturate che possono portare a comportamenti di controllo instabili.
• Efficienza e Robustezza: La combinazione di rappresentazioni latenti sparse e adattamento online selettivo permette al sistema di gestire le condizioni variabili nel tempo in modo efficiente. Evita l'onere computazionale del riaddestramento dell'intero modello e l'inefficienza dei dati associata all'adattamento di grandi set di parametri.
• Implementazione Pratica: Il framework è progettato per l'implementazione in tempo reale su hardware embedded (NVIDIA Jetson Orin NX), dimostrando che l'apprendimento residuo strutturato può essere integrato efficacemente in controllori basati su modello per diversi sistemi robotici.

Gli autori concludono che, sebbene il loro approccio migliori significativamente le prestazioni, rimane una limitazione: la componente meccanicamente strutturata è fissa durante l'implementazione. Suggeriscono che il lavoro futuro dovrebbe investigare l'adattamento congiunto dei termini meccanici strutturati per scenari che comportano cambiamenti molto grandi o persistenti nelle proprietà inerziali.