Technische Samenvatting: COSMIC – Gecombineerde Optimalisatie van Structuur, Materiaal en Geïntegreerde Regeling voor Robotische Systemen

Probleemstelling

Het vakgebied van de robotica streeft ernaar de autonomie van natuurlijke organismen te repliceren en te overtreffen, doch huidige robotische systemen lijden vaak aan suboptimale prestaties en beperkte diversiteit in vergelijking met biologische tegenhangers. Een primaire beperking is het conventionele ontwerpparadigma waarbij structuur, materialen en regeling afzonderlijk of sequentieel worden ontwikkeld. In de natuur co-evolueren deze elementen om gespecialiseerde, adaptieve organismen te produceren. In kunstmatige systemen beperkt deze scheiding de ontwerpruimte en faalt het om de collectieve effecten te vangen die voortvloeien uit de strakke koppeling van fysische dynamica en regelstrategieën.

Hoewel recente vooruitgang in zachte robotica en differentieerbare simulatie co-ontwerp voor continue systemen mogelijk hebben gemaakt, blijft het co-ontwerp van discrete robotische systemen (zoals truss-lattice-robots, benige robots en tensegriteitsstructuren) uitdagend. Deze systemen presenteren een ontwerpruimte met gemengde variabelen (combinatie van discrete topologie en materiaalselectie met continue regelparameters), scherpe discontinuïteiten en sterk niet-convexe optimalisatielandschappen. Bestaande op gradiënten gebaseerde methoden worstelen vaak met deze discrete systemen, en er ontbreekt een uitgebreid raamwerk dat tegelijkertijd topologie, materiaaldistributie en regelbeleid kan optimaliseren om hun individuele en collectieve bijdragen aan systeemprestaties bloot te leggen.

Methodologie

De auteurs stellen COSMIC voor, een op gradiënten gebaseerd co-ontwerpraamwerk voor discrete truss-lattice-robots. Het raamwerk verenigt de optimalisatie van drie onderscheiden entiteiten:

1. Topologie: De connectiviteit van het truss-netwerk.
2. Materiaaldistributie: De toewijzing van materiaaltypes (Voids, Skelet, Actuator) aan elk truss-element.
3. Regelbeleid: Een spatiotemporale neurale netwerkcontroller.

1. Geïntegreerde Ontwerprepresentatie

Het raamwerk stelt de robot voor als een graf van knooppunten en randen. Om gradiëntgebaseerde optimalisatie op discrete keuzes mogelijk te maken, hanteren de auteurs een strategie van continue relaxatie:

• Relaxatie van Gemengde Variabelen: Elke rand $E_{ij}$ is gekoppeld aan een continue 3D-vector $z_{ij} \in [0, 1]^3$, die de kansen vertegenwoordigt om zich in een Voids, Skelet of Actuator-toestand te bevinden.
• Softmax-projectie: Een geschaalde softmax-functie projecteert deze continue vectoren naar genormaliseerde materiaaltoestandvectoren $\tilde{z}_{ij}$, die one-hot-coderingen benaderen. Een schalingsfactor $\beta$ controleert de scherpte van deze projectie.
• Materialeigenschappen: Een bibliotheekmatrix $\Psi$ koppelt materiaaltoestanden aan mechanische eigenschappen (stijfheid $k$, lineaire dichtheid $\rho$ en maximale actuatiedevervorming $a_{max}$). De effectieve eigenschappen van elke truss worden geïnterpoleerd op basis van $\tilde{z}_{ij}$.
• Regelnetwerk: Een Multi-Layer Perceptron (MLP) genereert regelsignalen. De invoer omvat Central Pattern Generator (CPG)-signalen, verplaatsingen van knooppuntposities, snelheden en een doelvector. De ruwe MLP-uitvoer wordt gemoduleerd door de materiaaltoestandvector, zodat alleen trusses in de Actuator-toestand doelvervormingscommando's ontvangen.

2. Differentieerbare Dynamische Simulatie

Het raamwerk maakt gebruik van een GPU-parallelle differentieerbare simulator (geïmplementeerd in Taichi) om systeemdynamica te evalueren.

• Fysiek Model: Truss-krachten worden beheerst door een gegeneraliseerd Hooke's wet, waarbij interne krachten afhankelijk zijn van het verschil tussen de huidige lengte en een doellengte die door de controller wordt bepaald.
• Contactbehandeling: Een hoogwaardig Time of Impact (TOI)-schema wordt gebruikt om grondcontacten te behandelen, wat interpenetratie voorkomt en gradiëntdiscontinuïteiten vermindert. Dit maakt de backpropagatie van gradiënten door botsingsgebeurtenissen mogelijk, inclusief wrijvingsdemping.
• Differentieerbaarheid: De volledige voorwaartse simulatie (integratie, contactresolutie en regelgeneratie) vormt een computationeel graf, wat automatische differentiatie mogelijk maakt om gradiënten van de prestatiedoelstelling te berekenen met betrekking tot zowel structurele variabelen als neurale netwerkgewichten.

3. Beperkte Optimalisatiestrategie

Het co-ontwerpprobleem wordt geformuleerd als een beperkte optimalisatie om de voorwaartse locomotiedistance te maximaliseren.

• Doelstelling: Minimaliseren van de negatieve verplaatsing van het laadknooppunt.
• Beperkingen:
  • Volumefracties: Grenzen aan het totale solide volume en het actuatordvolume.
  • Binarisatie: Om continue variabelen naar discrete toestanden te drijven, hanteert het raamwerk een globale binarisatieboete (L2-norm) en een paarsgewijze orthogonale boete om overlap tussen materiaaltoestanden te minimaliseren.
• Optimalisatiealgoritme:
  • Aangevulde Lagrange (AL): Wordt gebruikt om binarisatiebeperkingen adaptief te hanteren, waardoor tijdelijke schendingen mogelijk zijn om de ontwerpruimte te verkennen voordat strikte beperkingen worden afgedwongen.
  • Meerfasig Proces:
    1. Co-ontwerpfase: Alternerende updates van de MLP-gewichten (via Adam) en materiaalontwerpvectoren (via de Methode van Bewegende Asymptoten, MMA).
    2. Stabiliteitsdoorloop: Een auxiliary evaluatie met een sterk verscherpte projectie ($\beta_{stab}$) en een Straight-Through Estimator (STE) om de structurele integriteit van de opkomende discrete geometrie te beoordelen.
    3. Iteratieve Aantrekking: Een fase waarin ontwerpvectoren progressief "gestuurd" worden naar hun dominante discrete toestand.
    4. Finetuning: Een laatste fase waarin de topologie en materiaallay-out worden bevroren (hard gediscretiseerd), en alleen de controller wordt gefinetuned.

Belangrijkste Resultaten

Het raamwerk werd gevalideerd door uitgebreide casestudies op een 6x6 knooppunten truss-lattice-robot.

1. Prestaties versus Baselines

• Co-ontwerp versus Sequentieel Ontwerp: Een baseline-robot met een vaste, heuristische structuur (drie-benige topologie met vooraf gedefinieerde actuatorplaatsing) bereikte een verplaatsing van 1,14 m. De co-ontworpen robot (Ontwerp 6b) bereikte 1,90 m, een verbetering van 66%.
• Robuustheid van Initialisatie: Het raamwerk slaagde erin levensvatbare locomotiestrategieën te ontdekken, zelfs vanuit een "zonder-heuristiek"-initialisatie (uniforme willekeurige materiaalverhoudingen), waarbij 0,98 m werd bereikt. Dit demonstreert het vermogen om het niet-convexe ontwerpruimte te navigeren zonder afhankelijk te zijn van specifieke initiële gissingen, hoewel de prestaties gevoelig waren voor initialisatie.

2. Ablatiestudies (Individuele en Collectieve Bijdragen)

Combinatoire ablatiestudies (uitschakelen van topologie-, materiaal- of regeloptimalisatie) toonden aan:

• Materiaalindeling: Had de grootste individuele impact, met een prestatieverbetering van 781% in vergelijking met vaste indelingen.
• Topologie: Boekte op zichzelf een verbetering van 116%, maar fungeerde als een krachtige vermenigvuldiger voor materiaalontwerp.
• Regeling: Toonde een kleine individuele bijdrage en kon de prestaties zelfs verslechteren als de onderliggende structuur suboptimaal was. Echter, wanneer geco-evolueerd met materialen en topologie, droeg het bij aan een toename van 87% in afstand in vergelijking met het geval zonder regeloptimalisatie.
• Synergie: De gezamenlijke optimalisatie van alle drie de entiteiten leverde resultaten op die significant superieur waren aan de som van het optimaliseren van ze in isolatie. De studie observeerde "convergente evolutie", waarbij verschillende initialisaties leidden tot vergelijkbare structurele motieven (bijvoorbeeld specifieke beenverdelingen) wanneer geoptimaliseerd voor dezelfde taak.

3. Generaliseerbaarheid

Het raamwerk paste zich aan aan variërende taken en omgevingen:

• Hellend Terrein: De robot evolueerde een slankere structuur met een lager zwaartepunt en een boogvormige gang om een helling van 15 graden te beklimmen.
• Verminderde Ontwerpruimte: Op een kleiner 5x5-rooster herontdekte het raamwerk beenverdelingsstrategieën en bereikte vergelijkbare prestaties als grotere ontwerpen.
• Wrijvingsvariaties: Onder Coulomb-wrijving (lage wrijving) adopteerde de robot een strategie waarbij het laadgedeelte op de grond bleef en de voorste poot als wrijvingskussen werd gebruikt, een gedrag dat niet werd gezien in scenario's met oneindige wrijving.

Betekenis en Aanspraken

Het artikel claimt een computational fundament te bieden voor het autonome co-ontwerp van robotische systemen. De primaire betekenis ligt in:

1. Geïntegreerd Raamwerk: Het slaagt erin de kloof te overbruggen tussen discrete topologie-optimalisatie en continue regellering, door de aard van gemengde variabelen van discrete robotische systemen te hanteren via differentieerbare simulatie en continue relaxatie.
2. Prestatiewinst: Het toont aan dat co-ontwerp consequent beter presteert dan sequentiële ontwerpprocedures, en diverse en hoogpresterende locomotiestrategieën (springen, vegen, huppelen) blootlegt die ontoegankelijk zijn voor gescheiden ontwerppijplijnen.
3. Ontwerpinzichten: Het biedt een kwantitatief inzicht in hoe structuur, materiaal en regeling interageren. De studie benadrukt dat hoewel de materiaalindeling de meest kritieke individuele factor is, de synergetische koppeling van alle drie de entiteiten essentieel is om optimale prestaties te bereiken.
4. Flexibiliteit: Het raamwerk blijkt aanpasbaar aan verschillende functionele eisen, fysieke omgevingen en ontwerpbegrenzingen, wat wijst op zijn potentieel voor het ontwerpen van complexe autonome gedragingen in herconfigureerbare en bio-hybride robots.

De auteurs erkennen beperkingen, waaronder gevoeligheid voor initialisatie (wat wijst op de noodzaak van hybride globaal-lokale zoekmethoden) en het gebruik van vereenvoudigde fysieke modellen, maar positioneren het werk als een stap richting robuustere, autonome ontwerptools voor robots.