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

Technische Samenvatting: Leren als Controlelaag voor Belichaamde Intelligentie in Zachte Robotische Zwemmechanismen

Probleemstelling
Zachte robotische platforms zijn waardevol voor het bestuderen van lichaams-caudaal undulerende voortbeweging en het testen van biomechanische hypothesen (robofysica). Echter, hun meegaande lichamen zijn moeilijk nauwkeurig aan te sturen onder veranderende hydrodynamische belasting. Conventionele proportioneel-integraal-differentiaal (PID) feedback kan de periodieke undulatie stabiliseren in stilstaand water, maar faalt in dynamische stroming. Specifiek accumuleert PID stroomafhankelijke tracking-vertragingen en een toenemende variabiliteit tussen trials door systeem-nietlineariteiten. Deze variabiliteit vertroebelt de effecten van morfologie en omgevingsstroom, waardoor het moeilijk wordt om verschillen in stuwkracht of stabiliteit toe te schrijven aan specifieke fysieke parameters in plaats aan controle-geïnduceerde ruis. Hoewel op leren gebaseerde controle is opgekomen als een aanvulling op PID voor zachte robots met onzekere parameters, werden eerdere implementaties van Linear Repetitive Learning Estimation Schemes (LRLES) alleen gevalideerd in stilstaand water. Het bleef onduidelijk of dergelijke schema's de tracking-nauwkeurigheid en herhaalbaarheid konden behouden onder dynamische, hydrodynamische belasting.

Methodologie
De auteurs evalueerden een controlearchitectuur die een standaard PID-controller aanvult met een Linear Repetitive Learning Estimation Scheme (PID-LRLES) op een zacht robotische visplatform.

• Platform: De robot beschikt over een meegaande lichaams-caudale structuur, aangedreven door paren zachte pneumatische spieren en uitgerust met een ingebouwde zachte capacitieve buigsensor. De sensor biedt real-time proprioceptieve feedback op 1 kHz, waarbij de werkelijke lichaamsdeformatie wordt gemeten in plaats van te vertrouwen op open-loop commando's.
• Controlearchitectuur:
  • Baseline: Een conventionele PID-controller met vaste winst, afgestemd in stilstaand water.
  • Voorgesteld: PID-LRLES, die een leerterm toevoegt parallel aan de PID-blokken. Dit schema generaliseert klassieke integraalwerking naar periodieke (niet-constante) referenties. Het maakt gebruik van een einddimensionale state-space realisatie (met behulp van Padé-approximaties voor vertragingen) om periodieke verstoringen cyclus-per-cyclus te schatten en te compenseren. De leer-transferfunctie is ontworend met polen die negatieve reële delen hebben om de langetermijninstabiliteit te vermijden die typerend is voor klassieke repetitieve controles.
• Experimentele Opstelling: Experimenten werden uitgevoerd in een recirculerende stromingstank bij vijf bulk-stroomsnelheden variërend van 0 tot 32,6 cm s⁻¹ (Reynoldsgetallen tot circa 7,5 × 10⁴).
• Protocol: Controller-winsten werden eenmalig afgestemd in stilstaand water en gehouden constant over alle stroomcondities om de bijdrage van de leerterm te isoleren. Elke trial omvatte een 30-seconden closed-loop fase waarin de robot een periodieke buig-enveloppe volgde. Vijf onafhankelijke repetities werden per conditie opgenomen voor beide controllers.
• Metrieken: Tracking-nauwkeurigheid werd gekwantificeerd door de Root-Mean-Square Error (RMSE) van de buig-enveloppe. Herhaalbaarheid werd beoordeeld via de spreiding van de RMSE tussen trials, geanalyseerd met een gepaard Wilcoxon signed-rank test.

Belangrijkste Bijdragen

1. Validatie onder Dynamische Stroom: De studie biedt een volledige evaluatie van PID-LRLES onder gecontroleerde dynamische stroom, waarbij wordt aangetoond dat de leercontrole niet alleen de tracking-nauwkeurigheid verbetert, maar ook de robuustheid en herhaalbaarheid van zwemexperimenten.
2. Integratie van Zachte Proprioceptie: Het werk integreert ingebedde zachte proprioceptieve feedback (capacitieve buigsensor) in een closed-loop controlesysteem, waardoor de controller de werkelijke lichaamsdeformatie en de periodieke hydrodynamische bias geïnduceerd door de stroom kan waarnemen.
3. Reductie van Variabiliteit: De auteurs demonstreren een significante reductie in de variabiliteit van de tracking-fout vergeleken met conventionele PID-controle, zelfs met vaste winsten.
4. Enabling Layer voor Robofysica: De aanpak wordt gepositioneerd als een faciliterende laag (enabling layer) voor toekomstige robofysische studies, waardoor onderzoekers de effecten van morfologie, sensing en omgevingsstroom kunnen isoleren door de controle-geïnduceerde variabiliteit te minimaliseren.

Resultaten

• Tracking-nauwkeurigheid: Terwijl de PID-baseline een stabiele oscillatie behield, vertoonde het een groeiende tracking-vertraging en amplitude-deficit naarmate de stroomsnelheid toenam (piekafwijking steeg van ~0,02 rad bij 0 cm/s naar ~0,04 rad bij 32,6 cm/s). In contrast hiermee volgde PID-LRLES de referentie nauwkeuriger over alle snelheden, waarbij de enveloppe zelfs bij de hoogste stroomsnelheid na een transiënte periode binnen ±0,015 rad van de referentie bleef.
• Foutvariabiliteit: De gemiddelde RMSE voor PID-LRLES was lager dan die van PID bij elke stroomsnelheid. Cruciaal is dat de PID-baseline een monotone toename van de gemiddelde RMSE vertoonde met de stroomsnelheid, terwijl PID-LRLES een veel vlakkere afhankelijkheid liet zien (stijging van slechts 0,015 naar 0,018 rad).
• Statistische Significantie: Een gepaarde Wilcoxon signed-rank test op de per-trial RMSE-distributies (gepoold over vijf stroomsnelheden, $n_{pairs}=25$) bevestigde dat PID-LRLES de tracking-fout variabiliteit significant verminderde vergeleken met de PID-baseline ($p = 1,8 \times 10^{-4}$).
• Robuustheid: De leerterm absorbeerde effectief het terugkerende component van de hydrodynamische verstoring, waardoor de trial-tot-trial drift die de fixed-gain PID niet kon compenseren, werd weggenomen.

Significantie en Claims
Het artikel claimt dat door de stroomafhankelijke controle-geïnduceerde variabiliteit te verminderen, de PID-LRLES benadering een robuuste faciliterende laag biedt voor robofysische studies. Specifiek:

• Het stelt onderzoekers in staat om waargenomen verschillen in stuwkracht, pitch-koppel of zwemstabiliteit met vertrouwen toe te schrijven aan morfologie of omgevingsstroom, in plaats aan controle-artefacten.
• Het demonstreert dat leer-versterkte closed-loop controle effectief kan functioneren met winsten die enkel in stilstaand water zijn afgestemd, wat de noodzaak voor herkalibratie per stroomconditie wegneemt.
• Het benadrukt de complementaire aard van zachte sensing en repetitief leren: de sensor legt de periodieke hydrodynamische bias bloot, terwijl de leerterm deze over voorgaande oscillatiecycli absorbeert.
• De architectuur is computationeel efficiënt (22 toestanden), wat implementatie op low-power, embedded real-time hardware mogelijk maakt zonder GPU-ondersteuning, wat geschikt is voor ongebonden autonome zachte robots.

De auteurs vermelden beperkingen, waaronder het testen bij een enkele klapfrequentie, het gebruik van een starre mast (wat vrije zwemtests verhindert) en de beperking tot envelope-tracking in plaats van directe stuwkracht- of efficiëntiemetingen. Zij stellen echter dat de gedemonstreerde kinematische herhaalbaarheid een noodzakelijke voorwaarde is voor betrouwbare hydrodynamische vergelijkingen tussen verschillende morfologieën.