Learning Control as Enabling Layer for Embodied Intelligence Research explored with Soft Robotic Swimming in diverse Flow Speeds

Sintesi Tecnica: L'Apprendimento del Controllo come Strato Abilitante per l'Intelligenza Incorporata nella Nuoto Robotica Soft

Problema
Le piattaforme robotiche soft sono preziose per studiare la locomozione ondulatoria corpo-caudale e per testare ipotesi biomeccaniche (robofisica). Tuttavia, i loro corpi complianti sono difficili da controllare con precisione sotto carichi idrodinamici variabili. Il controllo feedback proporzionale-integrale-derivativo (PID) convenzionale può stabilizzare l'ondulazione periodica in acqua statica, ma fallisce in flussi dinamici. Nello specifico, il PID accumula ritardi di inseguimento dipendenti dal flusso e un crescente aumento della variabilità inter-trial a causa delle non linearità del sistema. Questa variabilità oscura gli effetti della morfologia e del flusso ambientale, rendendo difficile attribuire le differenze di spinta o stabilità a specifici parametri fisici piuttosto che al rumore indotto dal controllo. Sebbene il controllo basato sull'apprendimento sia emerso come un complemento al PID per robot soft con parametri incerti, le precedenti implementazioni di schemi di stima dell'apprendimento lineare ripetitivo (LRLES) sono state validate solo in acqua statica. Restava da chiarire se tali schemi potessero mantenere l'accuratezza di inseguimento e la ripetibilità sotto carico idrodinamico dinamico.

Metodologia
Gli autori hanno valutato un'architettura di controllo che aumenta un controllore PID standard con uno schema di stima dell'apprendimento lineare ripetitivo (PID-LRLES) su una piattaforma robotica a forma di pesce soft.

• Piattaforma: Il robot presenta una struttura corpo-caudale compliante attuata da coppie di muscoli pneumatici soft ed è strumentato con un sensore di flessione capacitivo soft integrato. Il sensore fornisce feedback propriocettivo in tempo reale a 1 kHz, misurando l'effettiva deformazione del corpo invece di fare affidamento su comandi open-loop.
• Architettura di Controllo:
  • Baseline: Un controllore PID a guadagno fisso convenzionale, tarato in acqua statica.
  • Proposto: PID-LRLES, che aggiunge un termine di apprendimento in parallelo al blocco PID. Questo schema generalizza l'azione integrale classica a riferimenti periodici (non costanti). Utilizza una realizzazione nello spazio degli stati a dimensione finita (usando approssimazioni di Padé per i ritardi) per stimare e compensare le perturbazioni periodiche ciclo dopo ciclo. La funzione di trasferimento dell'apprendimento è progettata con poli aventi parti reali negative per evitare l'instabilità a lungo termine tipica dei controlli ripetitivi classici.
• Configurazione Sperimentale: Gli esperimenti sono stati condotti in una vasca a flusso ricircolante a cinque velocità di flusso bulk variabili da 0 a 32,6 cm s⁻¹ (numeri di Reynolds fino a circa 7,5 × 10⁴).
• Protocollo: I guadagni del controllore sono stati tarati una sola volta in acqua statica e mantenuti fissi in tutte le condizioni di flusso per isolare il contributo del termine di apprendimento. Ogni trial prevedeva una fase a ciclo chiuso di 30 secondi in cui il robot inseguiva un riferimento di inviluppo di flessione periodico. Sono state registrate cinque ripetizioni indipendenti per condizione per entrambi i controllori.
• Metriche: L'accuratezza dell'inseguimento è stata quantificata tramite l'errore quadratico medio (RMSE) dell'inviluppo di flessione. La ripetibilità è stata valutata tramite la dispersione inter-trial dell'RMSE, analizzata con un test di Wilcoxon signed-rank appaiato.

Contributi Chiave

1. Validazione sotto Flusso Dinamico: Lo studio fornisce una valutazione completa del PID-LRLES sotto flusso dinamico controllato, dimostrando che il controllo basato sull'apprendimento migliora non solo l'accuratezza dell'inseguimento, ma anche la robustezza e la ripetibilità degli esperimenti di nuoto.
2. Integrazione della Propriocezione Soft: Il lavoro integra il feedback propriocettivo soft integrato (sensore di flessione capacitivo) in un sistema di controllo a ciclo chiuso, permettendo al controllore di osservare la reale deformazione del corpo e il bias idrodinamico periodico indotto dal flusso.
3. Riduzione della Variabilità: Gli autori dimostrano una significativa riduzione della variabilità dell'errore di inseguimento rispetto al controllo PID convenzionale, anche con guadagni fissi.
4. Strato Abilitante per la Robofisica: L'approccio è posizionato come uno strato abilitante per futuri studi di robofisica, consentendo ai ricercatori di isolare gli effetti di morfologia, sensing e flusso ambientale minimizzando la variabilità indotta dal controllo.

Risultati

• Accuratezza dell'Inseguimento: Mentre la baseline PID manteneva un'oscillazione stabile, essa mostrava un crescente ritardo di inseguimento e un deficit di ampiezza all'aumentare della velocità del flusso (la deviazione di picco passava da ~0,02 rad a 0 cm/s a ~0,04 rad a 32,6 cm/s). Al contrario, il PID-LRLES ha inseguito il riferimento più da vicino in tutte le velocità, mantenendo l'inviluppo entro ±0,015 rad del riferimento anche alla massima velocità di flusso dopo un periodo transitorio.
• Variabilità dell'Errore: L'RMSE medio per il PID-LRLES è stato inferiore al PID a ogni velocità di flusso. Crucialmente, la baseline PID ha mostrato un aumento monotono dell'RMSE medio con la velocità del flusso, mentre il PID-LRLES ha mostrato una dipendenza molto più piatta (salendo solo da 0,015 a 0,018 rad).
• Significatività Statistica: Un test di Wilcoxon signed-rank appaiato sulle distribuzioni dell'RMSE per trial (raggruppate su cinque velocità di flusso, $n_{pairs}=25$) ha confermato che il PID-LRLES ha ridotto significativamente la variabilità dell'errore di inseguimento rispetto alla baseline PID ($p = 1,8 \times 10^{-4}$).
• Robustezza: Il termine di apprendimento ha assorbito efficacemente la componente ricorrente della perturbazione idrodinamica, rimuovendo il drift trial-to-trial che il PID a guadagno fisso non poteva compensare.

Significatività e Rivendicazioni
L'articolo sostiene che, riducendo la variabilità indotta dal controllo dipendente dal flusso, l'approccio PID-LRLES fornisce uno strato abilitante robusto per gli studi di robofisica. Nello specifico:

• Permette alle differenze osservate in spinta, momento torcente di beccheggio o stabilità del nuoto di essere attribuite con fiducia alla morfologia o al flusso ambientale piuttosto che ad artefatti del controllo.
• Dimostra che il controllo a ciclo chiuso potenziato dall'apprendimento può funzionare efficacemente con guadagni tarati solo in acqua statica, eliminando l'onere della ricalibrazione per ogni flusso.
• Evidenzia la natura complementare della sensoristica soft e dell'apprendimento ripetitivo: il sensore espone il bias idrodinamico periodico, mentre il termine di apprendimento lo assorbe attraverso i cicli di oscillazione passati.
• L'architettura è computazionalmente efficiente (22 stati), consentendo l'implementazione su hardware real-time integrato a bassa potenza senza supporto GPU, rendendola adatta a robot soft autonomi non vincolati.

Gli autori segnalano limitazioni, tra cui il test a una singola frequenza di flapping, l'uso di un albero rigido (che preclude test di nuoto libero) e la restrizione al tracking dell'inviluppo piuttosto che a metriche dirette di spinta o efficienza. Tuttavia, affermano che la ripetibilità cinematica dimostrata è un prerequisito necessario per confronti idrodinamici affidabili tra diverse morfologie.