Technische Samenvatting: THREAD – Trajectplanning voor Hybride Rigide-Zachte Manipulatoren met Omgevingsbewuste Diffusie

1. Probleemstelling

Robots die opereren in nauwe, ongestructureerde omgevingen (bijv. rampenbestrijding, ondergrondse exploratie) worden geconfronteerd met aanzienlijke uitdagingen bij het navigeren door smalle openingen. Hoewel hybride rigide-zachte manipulatoren de reikwijdte van rigide armen combineren met de compliantie van zachte continuümarmen (SCAs) om nauwe ruimtes te kunnen bereiken, introduceren zij unieke planningsproblemen:

• Omgevingsonhaalbaarheid: Ruggengraatvormen die kinematisch geldig zijn in de vrije ruimte, kunnen fysiek onhaalbaar worden wanneer ze beperkt worden door omgevingscontact, wat leidt tot botsingen of schendingen van de reklimieten.
• Kinematische Koppeling: Het onafhankelijk plannen van rigide en zachte segmenten negeert hun kinematische koppeling. Een slecht gepositioneerde rigide arm kan het zachte segment in configuraties dwingen die fysieke beperkingen schenden, waardoor de taak onmogelijk wordt.
• Beperkingen van Bestaande Methoden: Klassieke sampling-gebaseerde planners missen closed-loop herplanning en generalisatie. Supervised learning en Reinforcement Learning (RL) benaderingen richten zich vaak op end-effector controle, maar missen globale ruggengraatredenering of expliciet geometrisch botsingsbewustzijn. Bovendien zijn bestaande diffusiemodellen toegepast op rigide gewrichtsruimtes, maar niet op de continue ruggengraatvorm-domeinen van continuümmanipulatoren.

2. Methodologie: Het THREAD-framework

De auteurs stellen THREAD voor, een diffusie-gebaseerde trajectplanner die opereert in de continue ruggengraatvorm-ruimte in plaats van in de gewrichts- of end-effector-ruimte. Het systeem integreert perceptie, generatieve planning en closed-loop controle.

A. Verenigde Ruggengraatrepresentatie

De gehele kinematische keten (rigide arm + zachte continuümarm) wordt gecodeerd als een enkele ruggengraat van $K=64$ punten gesampled van de basis tot de tip.

• Rigide-Zacht Masker: Een geparametriseerd masker verdeelt de ruggengraat in rigide en zachte segmenten.
• Gewrichtsoptimalisatie: Door te differentiëren over de volledige ruggengraat, zorgt het model ervoor dat de gegenereerde end-effector pose kinematisch realiseerbaar blijft door de rigide arm, terwijl tegelijkertijd aan de fysieke beperkingen van het zachte segment wordt voldaan.

B. Diffusie Trajectplanner

Een Denoising Diffusion Probabilistic Model (DDPM) wordt getraind om botsingsvrije ruggengraattrajecten te genereren, geconditioneerd op:

1. Omgevingsgeometrie ($\mathcal{C}_{env}$): Gecodeerd via een point cloud encoder (MASt3R) die gereconstrueerde 3D-scènes verwerkt.
2. Doelpose ($\mathcal{C}_{goal}$): De 3D doellocatie.
3. Initiële Toestand ($\mathcal{C}_{state}$): De huidige ruggengraatconfiguratie van de robot.

Fysica-geïnformeerde Verliesfuncties: Tijdens de training minimaliseert het model een samengestelde verliesfunctie:

• Ruisvoorspellingsverlies: Standaard MSE voor denoising.
• Curvatuurverlies ($L_c$): Dwingt fysiek plausibele gladheid af voor het zachte segment.
• Temporele Gladheid Verlies ($L_t$): Zorgt voor vloeiende overgangen tussen tijdstappen.
• Rigide Rechtheid Verlies ($L_r$): Dwingt af dat het rigide segment recht blijft (nul kromming), wat fysiek onmogelijke configuraties voorkomt.

Inference-Time Guidance: Om botsingsvermijding af te dwingen zonder hertraining, gebruikt het systeem een differentieerbaar Signed Distance Field (SDF) afgeleid van de geobserveerde scène. Tijdens het DDIM samplingproces wordt gradiëntgebaseerde guidance toegepast op de voorspelde schone traject om punten te bestraffen die obstakels penetreren.

C. Controle en Executie

• Inverse Kinematics (IK): Een geleerd MLP brengt de geplande ruggengraatvorm in kaart naar actuatiecommando's (pneumatische inputs voor de SCA en gewrichtsdelta's voor de rigide arm).
• Residual RL Policy: Een Soft Actor-Critic (SAC) policy opereert in een closed loop om kleine corrigerende acties ($\pm 20$ mm) uit te voeren om modelleringsfouten en contactonzekerheden te compenseren.
• Receding-Horizon Replanning: De diffusieplanner wordt elke 32 stappen opnieuw aangeroepen om het plan te verankeren aan de huidige robottoestand, om drift te corrigeren.

3. Belangrijkste Bijdragen

1. Verenigde Representatie: Het eerste framework dat de volledige kinematische keten van een hybride manipulator codeert als een enkele ruggengraatvorm, wat gezamenlijke optimalisatie van rigide en zachte subsystemen mogelijk maakt.
2. Diffusie in Ruggengraatruimte: De eerste toepassing van diffusiemodellen aan continuümmanipulatoren, waarbij trajectplanning wordt uitgebreid van discrete gewrichtsruimtes naar continue ruggengraatvorm-domeinen.
3. Hybride Inference Strategie: Een nieuwe combinatie van geometrische guidance tijdens inference (SDF) voor botsingsvermijding en een residual RL policy voor executieverfijning.
4. Cross-Embodiment Transfer: Demonstratie dat plannen in ruggengraatvorm-ruimte directe transfer naar verschillende hardware-morfologieën mogelijk maakt (bijv. van een UR5 met een 2-segment SCA naar een myCobot met een 1-segment SCA) met minimale online RL-adaptatie en zonder de diffusieplanner te hertrainen.

4. Experimentele Resultaten

Experimenten werden uitgevoerd in de SoftManiSim simulatieomgeving en gevalideerd op echte hardware.

• Prestaties: THREAD behaalde een taaksuccespercentage van 92,4%, wat aanzienlijk beter is dan de sterkste baseline (BC + RL met 75,3%) en de botsingen met een factor 5 verminderde (12,2% vs. 62,2% voor BC + RL).
• Robuustheid: In "out-of-distribution" tests met onbekende wandhoeken en afstanden, behield THREAD een succespercentage van ~88%, terwijl baselines degradeerden naar bijna nul of enkel cijfers.
• Trajectkwaliteit: De methode produceerde aanzienlijk vloeiendere trajecten (0,008 smoothness metriek) vergeleken met RL-only (0,110) en BC+RL (0,076) benaderingen.
• Sim-to-Real Transfer: Geëxperimenteerd op een echte myCobot met een single-segment SCA (niet gezien tijdens training), behaalde THREAD 75,0% succes met slechts ~100 online RL-updates, waarbij het openingen kon passeren die slechts 1,3× de diameter van het zachte segment waren.
• Ablatie-studies: Het verwijderen van inference-time guidance veroorzaakte een ~5,5× toename in botsingen. Het verwijderen van de rigiditeit-loss resulteerde in fysiek onrealiseerbare gebogen rigide segmenten, terwijl het verwijderen van de curvatuur-loss leidde tot niet-vloeiende zachte buigingen.

5. Betekenis en Claims

Het artikel beweert dat THREAD een fundamentele kloof in hybride manipulatie aanpakt door het planningsparadigma te verschuiven van actuator-gecentreerd (gewricht/end-effector) naar geometrie-gecentreerd (ruggengraatvorm).

• Generatieve Prior: De auteurs stellen dat de juiste inductieve bias voor besloten omgevingen een generatieve prior is over fysiek realiseerbare vormen. Dit stelt het systeem in staat om de volledige distributie van geldige oplossingen te representeren in plaats van slechts één traject te zoeken, wat een gracieuze degradatie mogelijk maakt naarmate de beperkingen strenger worden.
• Generalisatie: De ruggengraat-gecentreerde representatie wordt geclaimd als een "structurele eigenschap" die transfer naar morfologisch verschillende hardware faciliteert. Door de geometrie van haalbare vormen te leren in plaats van actuator-trajecten te memoriseren, generaliseert de planner naar nieuwe robots en omgevingen zonder hertraining.
• Veiligheid en Succes: De combinatie van een geometrische prior (diffusie) en reactieve correctie (RL) lost de traditionele trade-off tussen taaksucces en veiligheid op, waarbij hoge succespercentages worden behaald zonder de hoge botsingskosten die worden gezien bij puur reactieve of imitatie-gebaseerde benaderingen.

De auteurs concluderen dat deze aanpak een pad biedt naar algemene planners voor zachte en hybride manipulatoren, met name in scenario's die navigatie door beperkte, ongestructureerde omgevingen vereisen.