Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators

Dit artikel introduceert een oneindig-dimensionale, gesloten-lus inverse kinematica voor zachte robots die, door het combineren van differentieerbare neurale operatoren met een onbepaalde kinematische ketenregel, de volledige robotvorm in rekening brengt om complexe taken te plotten.

De kern

Stel je voor dat je een slurf hebt, zoals die van een olifant. Deze slurf is niet gemaakt van stijve botten met scharnieren, maar van zacht, flexibel weefsel dat overal kan buigen, draaien en kronkelen. Dit is een zachte robot.

Het probleem met zo'n robot is dat het heel moeilijk is om te berekenen hoe je hem moet aansturen om een bepaald punt te raken. Bij een gewone robotarm met knokkels is het makkelijk: "Draai de schouder 30 graden, de elleboog 45 graden, en je hand is op de juiste plek." Maar bij een zachte robot is er geen eindeloos aantal knokkels; de hele arm is één groot, continu buigzaam stuk. Hoe bereken je nu welke kracht je waar moet uitoefenen om de punt van de slurf op een doelwit te richten?

Dit artikel introduceert een slimme nieuwe manier om dit probleem op te lossen, met behulp van kunstmatige intelligentie. Hier is de uitleg in simpele taal:

1. Het oude probleem: Te veel vrijheid, te weinig controle

Bij gewone robots (stijf) is het berekenen van de beweging een puur meetkundig raadsel. Bij zachte robots is het veel lastiger. Omdat de robot overal kan buigen, zijn er oneindig veel manieren om een vorm aan te nemen, maar je hebt maar een paar motoren (bijvoorbeeld drie kabeltjes in de slurf) om die vorm te controleren.

Stel je voor dat je een stuk deeg hebt en je wilt het in een specifieke vorm brengen met slechts drie vingers. Je kunt niet elke deeltje van het deeg apart aansturen. Je moet een slimme strategie bedenken om met die drie vingers het hele deeg in de juiste vorm te krijgen.

2. De nieuwe oplossing: "Oneindige" denkkracht

De auteurs van dit artikel zeggen: "Laten we stoppen met proberen de robot te benaderen als een verzameling van een paar knopen. Laten we denken aan de hele vorm van de robot als één groot, continu object."

Ze noemen dit oneindig-dimensionale inverse kinematica.

• In het kort: In plaats van te vragen "Hoe beweeg ik knop A?", vragen ze: "Hoe verandert de hele vorm van de robot als ik knop A beweeg, en welke vorm moet die hebben om het doel te bereiken?"

Ze gebruiken een wiskundige truc (een kettingregel voor oneindige dimensies) om twee stappen te verbinden:

1. Van motor naar vorm: Wat gebeurt er met de vorm van de robot als ik de motoren aanstuur?
2. Van vorm naar doel: Als de robot die vorm heeft, raakt hij dan het doel?

Door deze twee te combineren, krijgen ze een "stuurinstructie" die direct vertelt hoe je de motoren moet aansturen om het doel te bereiken, terwijl je rekening houdt met de hele vorm van de robot.

3. De magische brug: De "Neurale Operator"

Hier wordt het echt interessant. Het probleem is dat we vaak niet weten hoe de formule luidt die de motoren omzet in een vorm (stap 1). Het is te complex om met de hand uit te rekenen.

Dus, de auteurs gebruiken een soort AI-leraar genaamd een Neurale Operator.

• De analogie: Stel je voor dat je een kind leert hoe een stuk deeg reageert op druk. Je duwt het deeg duizenden keren op verschillende plekken en laat het kind kijken wat er gebeurt. Na verloop van tijd heeft het kind een "gevoel" ontwikkeld: "Als ik hier duw, buigt het daar."
• In de praktijk: De computer leert dit patroon door miljoenen simulaties te draaien. De AI leert niet alleen een vaste lijst met getallen, maar leert de regels van hoe de vorm verandert. Het belangrijkste is: deze AI kan niet alleen voorspellen hoe de robot eruitziet, maar ook precies berekenen hoe hij moet sturen om een doel te bereiken, zelfs als je de robot heel fijn wilt oplossen (tot op het niveau van elk deeltje in de slurf).

4. Het resultaat: Slimmer sturen

Met deze nieuwe methode kunnen ze twee dingen doen die voorheen heel moeilijk waren:

1. Het dichtstbijzijnde punt gebruiken: In plaats van alleen de punt van de robot (de "vinger") op het doel te richten, kan de robot nu beslissen: "Ik buig mijn middelste stuk zo dat dat punt het doel raakt, omdat dat makkelijker is." De robot kiest automatisch het beste punt op zijn lichaam om het doel aan te raken.
2. Sneller en nauwkeuriger: Omdat de computer de hele vorm in één keer "ziet" en begrijpt, kan hij veel sneller en slimmer sturen dan oude methoden die de robot in stukjes probeerden op te delen.

Samenvatting in één zin

De auteurs hebben een slimme manier bedacht om zachte robots te besturen door de hele robot als één flexibel stuk te zien in plaats van als losse onderdelen, en ze gebruiken een speciale AI om de complexe regels van die flexibiliteit te leren, zodat de robot zichzelf moeiteloos kan positioneren.

Dit is een grote stap voorwaarts voor robots die veilig met mensen kunnen werken, zoals in de zorg of bij het hanteren van kwetsbare objecten, omdat ze dan niet alleen hun "hand" kunnen sturen, maar hun hele "lichaam" slim kunnen inzetten.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators", geschreven in het Nederlands.

Probleemstelling

Inverse kinematica (IK) is het proces waarbij een gewenste positie in de werkruimte (bijv. de positie van een eind-effector) wordt omgezet in de benodigde configuratie van de robot (bijv. gewrichten).

• Rigide robots: Voor volledig geactiveerde rigide robots is dit een puur geometrisch probleem dat efficiënt wordt opgelost met gesloten-lus inverse kinematica (CLIK) methoden, die gebruikmaken van de Jacobiaan om gewrichtsnelheden te berekenen.
• Zachte robots: Zachte robots zijn vaak ondergeactiveerd (minder actuatoren dan vrijheidsgraden) en kunnen continu buigen en draaien in plaats van alleen bij discrete gewrichten. Hierdoor zijn niet alle configuraties bereikbaar via besturing. Bestaande CLIK-extensies voor zachte robots introduceren vaak een eindige dimensie voor de "virtuele" configuratieruimte (bijv. door de vorm te benaderen met een set basisfuncties).
• De uitdaging: Veel taken voor zachte robots vereisen redeneren over de hele vorm van de robot (bijv. het vinden van het dichtstbijzijnde punt op het lichaam voor contact), wat niet goed past bij eindige dimensie-benaderingen. Bovendien ontbreken er vaak gesloten-vorm analytische uitdrukkingen voor de mapping van actuator naar vorm, wat het berekenen van de Jacobiaan moeilijk maakt.

Methodologie

De auteurs stellen een nieuwe aanpak voor die CLIK uitbreidt naar een oneindig-dimensionale domein, terwijl de controller zelf eindig-dimensionaal blijft.

1. Oneindig-dimensionale Formulering:

   • De robotvorm wordt gemodelleerd als een functie $r$ in een Hilbertruimte $X$ (bijv. $L^2$-ruimte van krommen).
   • Er worden twee mappings gedefinieerd:
     1. Actuator-naar-vorm ($\Lambda$): Een mapping van eindige actuator-invoer $q_a \in \mathbb{R}^m$ naar de oneindig-dimensionale vorm $r \in X$.
     2. Vorm-naar-taak ($\Phi$): Een mapping van de vorm $r$ naar de taak-coördinaten $x \in \mathbb{R}^p$ (bijv. positie van een punt of afstand).
   • De totale kinematica is de samenstelling $\Phi \circ \Lambda$.

2. Differentiële Kinematica en de Jacobiaan:

   • Door de kettingregel toe te passen in oneindig-dimensionale ruimtes, wordt de totale Jacobiaan afgeleid als:
     $$J_{\Phi \circ \Lambda} = \Lambda'^* \nabla_X \Phi$$
     Waarbij $\Lambda'^*$ de Hilbert-geadjungeerde is van de Frechet-afgeleide van de vorm-mapping, en $\nabla_X \Phi$ de $L^2$-gradient is van de taak-functie.
   • Dit maakt het mogelijk om een CLIK-controllers te bouwen die de volledige vorm van de robot in overweging neemt, zelfs voor taken zoals "het dichtstbijzijnde punt op het lichaam naar een doel bewegen" in plaats van alleen het uiteinde.

3. Neurale Operators voor Modellering:

   • Omdat de mapping $\Lambda$ (actuator naar vorm) zelden analytisch beschikbaar is voor complexe zachte robots, wordt deze geleerd met Neurale Operators (specifiek een DeepONet-achtige architectuur).
   • In tegenstelling tot traditionele neurale netwerken die discrete data verwerken, leren neurale operators mappings tussen oneindig-dimensionale functieruimtes.
   • De architectuur bestaat uit een "branch network" (verwerkt de actuator-inputs) en een "trunk network" (verwerkt de ruimtelijke coördinaten $s$). Dit zorgt ervoor dat de geleerde model differentieerbaar is en kan worden geëvalueerd op willekeurig fijne discretisaties van de robotvorm.

4. Controlewet:

   • De uiteindelijke CLIK-regelwet berekent de snelheid van de actuatoren $\dot{q}_a$ om de taakfout te minimaliseren:
     $$\dot{q}_a = (J_{\Phi \circ \Lambda}(q_a))^{-1} K (\bar{x} - (\Phi \circ \Lambda)(q_a))$$
     Waarbij $K$ een positief-definiete gain-matrix is.

Belangrijkste Bijdragen

• Theoretische Uitbreiding: De eerste formulering van CLIK in een oneindig-dimensionale vormruimte, waardoor controllers direct kunnen redeneren over de continue vorm van een zachte robot.
• Neurale Operator Integratie: Een praktische methode om de complexe, niet-lineaire actuator-naar-vorm mapping te leren en differentieerbaar te maken voor gebruik in een CLIK-lus.
• Flexibele Taakdefinitie: Mogelijkheid om taken te definiëren die dynamisch het "beste" punt op de robotvorm selecteren (bijv. het dichtstbijzijnde punt voor een doel), in plaats van vast te zitten aan een vooraf gedefinieerd eind-effector.

Resultaten

De auteurs valideren de methode via twee voorbeelden:

1. Analytisch Voorbeeld (Constante Kromming): Een simpele segment met constante kromming wordt gebruikt om de wiskundige afleiding te demonstreren. De simulatie toont exponentiële convergentie naar een doel, zowel voor een vast punt als voor het "dichtstbijzijnde punt" op de kromme.
2. Neuraal Voorbeeld (Drie-Vezel Zacht Robotarm):
   • Een complexer model gebaseerd op morpho-elasticiteit en actieve filamenttheorie (geïnspireerd op een olifantstronk) wordt gebruikt.
   • Een dataset van 1 miljoen simulaties wordt gegenereerd om een neurale operator te trainen.
   • Het getrainde model bereikt een zeer lage fout (MSE van $1.38 \times 10^{-10}$).
   • De neurale CLIK-algoritme wordt succesvol toegepast om de arm te positioneren in 3D-ruimte, waarbij de controller in staat is om de volledige vorm te gebruiken om de taak te voltooien.

Significantie en Toekomstperspectief

Dit werk is significant omdat het de kloof overbrugt tussen de continue, oneindig-dimensionale aard van zachte robots en de discrete, eindige dimensie van traditionele besturingsalgoritmen.

• Efficiëntie: Het elimineert de noodzaak voor complexe numerieke optimalisatie in elke tijdstap (zoals vaak nodig is bij MPC voor zachte robots) door een gesloten-lus vorm te bieden.
• Generalisatie: De aanpak is niet beperkt tot specifieke robotmodellen; zolang er data is om de actuator-naar-vorm mapping te leren, werkt het.
• Toekomst: De auteurs wijzen erop dat experimentele validatie nodig is om de prestaties te testen bij modelmismatch tussen de gesimuleerde (geleerde) operator en de fysieke robot. Toekomstig werk zal zich richten op het integreren van obstakels en het volgen van trajecten in de taakruimte.

Kortom, de paper biedt een krachtig raamwerk voor het besturen van zachte robots door hun volledige vorm te benutten, ondersteund door geavanceerde machine learning technieken voor differentiatie in oneindig-dimensionale ruimtes.