Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs

Sintesi Tecnica: Stima delle Forze Multi-Contatto per Robot Continui tramite Grafi di Fattori Parametrizzati con Gaussiane

Definizione del Problema
I robot continui offrono vantaggi significativi nella navigazione in ambienti non strutturati e confinati grazie alla loro intrinseca compliance. Tuttavia, l'operatività sicura in tali contesti richiede una stima accurata delle forze di contatto esterne che agiscono in posizioni ignote lungo il corpo del robot. La stima di queste forze è un problema mal condizionato, particolarmente quando si verificano contatti multipli simultanei. Gli approcci esistenti affrontano limitazioni specifiche: i metodi di stima della forza all'estremità falliscono quando avvengono collisioni lungo la lunghezza del robot; i metodi basati sulla cinematica spesso scalano scarsamente con il numero di contatti; inoltre, i modelli di statica deterministica sono vulnerabili al rumore dei sensori. Inoltre, stimare le forze per ogni nodo discreto di un modello continuo (stima per nodo) crea un problema gravemente mal posto a causa della mappatura sottodeterminata dalle forze distribuite alla forma della colonna vertebrale.

Metodologia
Gli autori propongono un framework unificato per la stima di forma e forza formulato su un grafo di fattori. Il nucleo della metodologia comprende tre componenti chiave:

1. Modello di Coserati Parametrizzato con Gaussiane: Gli autori incorporano una parametrizzazione a miscela gaussiana in un modello di asta di Coserati probabilistico discretizzato. Invece di stimare un vettore di forza in ogni nodo, la forza esterna distribuita $f_e(s)$ è parametrizzata come la somma di $M$ funzioni base gaussiane normalizzate. Questo approccio riduce la dimensionalità delle forze esterne ignote e mitiga il cattivo condizionamento del problema di stima. La parametrizzazione permette al modello di rappresentare sia carichi puntuali che carichi distribuiti variando la deviazione standard ($\sigma$) delle gaussiane. I centri di queste gaussiane sono vincolati all'interno della lunghezza d'arco del robot tramite una trasformazione tangente iperbolica.
2. Formulazione del Grafo di Fattori: Il problema di stima dello stato è configurato come una stima di Massima Verosimiglianza (MAP) all'interno di un'architettura di grafo di fattori. Questo framework fonde probabilisticamente dati sensoriali multi-modali con il modello statico del robot. Il grafo include:
   • Fattori Meccanici: Imposizione di cinematica discreta, relazioni costitutive (strain-stiffness) ed equazioni di bilancio della coppia statica.
   • Fattori di Misura: Incorporazione di osservazioni della tensione dei tendini, deformazione locale (ad esempio, da sensori FBG) e posa (ad esempio, da tracker elettromagnetici).
   • Fattori di Prior e Confine: Regolarizzazione del problema con condizioni al contorno di base/estremità e un prior a media zero sulle ampiezze di forza per gestire la natura mal posta del problema inverso.
3. Strategia di Stima Progressiva: Per compiti di navigazione dinamica con un numero ignoto di contatti, gli autori introducono una variante progressiva. Lo stimatore si inizializza con una singola base gaussiana. Man mano che il robot naviga, se l'ampiezza stimata di una base attiva supera una soglia predefinita, una nuova funzione base viene dinamicamente aggiunta al vettore di stato. Per garantire la stabilità numerica, il framework include una penalità sulla forza assiale (per prevenire la divergenza in pose rettilinee) e una penalità di separazione spaziale (per evitare che più centri di base collassino nella stessa posizione).

Contributi Chiave

• Framework Unificato: Una nuova formulazione di grafo di fattori che stima simultaneamente la forma del robot e molteplici forze di contatto esterne.
• Riduzione della Dimensionalità: L'uso della parametrizzazione della miscela gaussiana per ridurre i parametri di forza ignoti, affrontando il cattivo condizionamento inerente alla stima della forza per nodo.
• Robustezza al Rumore: La formulazione probabilistica modella esplicitamente le incertezze dei sensori e del modello, dimostrando una superiorità in termini di robustezza rispetto ai modelli deterministici.
• Gestione dei Contatti Sequenziali: Un algoritmo progressivo che adatta la complessità del modello (numero di funzioni base) on-demand durante l'operazione, adatto per compiti di navigazione in spazi confinati.

Risultati
Sono state condotte simulazioni numeriche utilizzando SoroSim per validare il metodo proposto rispetto a due baseline: uno stimatore discreto per nodo (Baseline 1) e un metodo di parametrizzazione gaussiana deterministica (Baseline 2).

• Scenari a Contatto Singolo: In condizioni prive di rumore, il metodo proposto ha ottenuto un errore medio di posizione di 3,47 mm, comparabile alla Baseline 2 (3,5 mm) e significativamente migliore della Baseline 1 (9 mm). In condizioni di rumore (rumore di posizione di 1 mm, rumore di deformazione di 0,1 rad/m), il metodo proposto è rimasto robusto con un errore di posizione di 8,74 mm. Al contrario, la Baseline l'errore della Baseline 2 è degradato a 20,1 mm e quello della Baseline 1 a 36,68 mm. Il metodo proposto ha inoltre mantenuto una localizzazione della forza netta (dispersione di 12 mm) rispetto alle stime ampiamente disperse della Baseline 1.
• Scenari a Contatto Multiplo: Nei test di stima di due forze, il metodo proposto ha superato la Baseline 1 nella localizzazione della seconda forza, specialmente sotto rumore. Mentre la Baseline 1 produceva picchi spuri ed errori massimi di posizione elevati (fino a 82,47 mm con rumore), il metodo proposto ha limitato l'errore massimo a 48,32 mm e ha risolto correttamente due distinti picchi gaussiani.
• Navigazione in Ambienti Confinati: In un compito simulato di navigazione di un robot continuo attraverso una scatola rigida, lo stimatore progressivo ha identificato con successo i contatti sequenziali. Si è inizializzato con una base, ha rilevato il primo contatto con la parete e ha aggiunto dinamicamente una seconda base per catturare lo stato di doppio contatto mentre il robot interagiva con una seconda parete.

Significatività e Rivendicazioni
Il documento sostiene che il framework proposto affronta efficacemente la natura mal posta della stima della forza multi-contatto nei robot continui. Riducendo la dimensionalità delle forze ignote attraverso la parametrizzazione gaussiana e fondendo i dati multi-sensoriali tramite un grafo di fattori, il metodo raggiunge una precisione e una robustezza al rumore dei sensori superiori rispetto agli approcci esistenti per nodo o deterministici. Gli autori sottolineano che il loro approccio consente una navigazione sicura in ambienti sconosciuti fornendo stime affidabili della posizione e dell'entità del contatto senza richiedere mappe ambientali esplicite o sensori visivi. Il lavoro è presentato come un passo verso il controllo a ciclo chiuso, dove le forze stimate possono supportare l'evitamento reattivo degli ostacoli e il controllo della forza, sebbene l'attuale implementazione si basi su un modello quasi-statico.