Technische Samenvatting: Leren van Contact-rijke Manipulatie voor Tendon-gestuurde Continuümrobots

Probleemstelling

Het leren van contact-rijke, whole-body manipulatie voor zachte continuümrobots wordt belemmerd door een gebrek aan simulatie-infrastructuur die vergelijkbaar is met die beschikbaar is voor rigide robots. Terwijl rigide-lichaam manipulatie snel is gevorderd dankzij volwassen simulators, kampen zachte continuümrobots met een "simulatiekloof". Bestaande simulatiesoftware voor zachte robots is vaak fysiek onderbouwd (gebaseerd op continuümmechanica), maar mist robuuste contact-solvers, native actuatiemodellering (specifiek voor pezen/tendons), of integratie met leerpipelines. Daarentegen bieden benaderingen met rigide lichamen (pseudo-rigid-body modellen) wel native contact en leerintegratie, maar vertrouwen ze vaak op empirisch gekalibreerde parameters die een gebrek hebben aan fysieke onderbouwing en convergentiegaranties. Als gevolg hiervan blijft de vooruitgang in het leren van contact-rijke manipulatie voor zachte robots beperkt, omdat onderzoekers niet gemakkelijk kunnen itereren op hardware of de uitgebreide demonstratiedata kunnen genereren die vereist zijn voor het leerproces.

Methodologie

De auteurs stellen een continuümmechanica-geïnformeerde discretisatie voor die Tendon-gestuurde Continuümrobots (TDCRs) natief binnen de MuJoCo physics engine plaatst zonder de engine zelf te wijzigen. Deze aanpak overbrugt de kloof tussen fysieke getrouwheid en simulatie-efficiëntie.

1. Continuüm-geïnformeerde Discretisatie

De TDCR wordt gemodelleerd als een Kirchhoff-staaf, een specialisatie van het Cosserat-staafmodel die geschikt is voor dunne elastische staven waarbij buiging en torsie domineren over afschuiving en extensie.

• Geometrische Constructie: De staaf wordt verdeeld in $N$ segmenten. Elk segment wordt benaderd als een cirkelboog onder een stuksgewijs constante vervorming (piecewise constant strain, PCS) aanname.
• Rigide-lichaam Representatie: De discretisatie plaatst een seriële keten van rigide schakels verbonden door 3-DOF elastische sferische gewrichten binnen MuJoCo.
• Parameter Afleiding: In tegen tegenstelling tot eerdere pseudo-rigid-body modellen die vertrouwen op empirische kalibratie, worden de gewrichtsstijfheden ($k_x, k_y, k_z$) analytisch afgeleid uit de materiaaleigenschappen van de staaf (Youngs modulus $E$, afschuifmodulus $G$ en dwarsdoorsnede traagheidsmomenten $I, J$) en segmentlengte $l_i$:
  $$k_x = k_y = \frac{EI}{l_i}, \quad k_z = \frac{GJ}{l_i}$$
• Convergentie: De discretisatie is bewezen te convergeren naar de continue Kirchhoff-staaf oplossing met een tweede-orde snelheid ($O(1/N^2)$) naarmate het aantal segmenten toeneemt.
• Native Integratie: Het model maakt gebruik van MuJoCo's native tendon routing en contact solver. Pezen worden door de segmenten geleid via discrete sites op de rigide schakels, waardoor inter-pees koppeling en spanning-geïnduceerde stijfheid natuurlijk wordt gevangen zonder deze als gedistribueerde belastingen te abstraheren.

2. Sim-to-Real Pipeline

De auteurs stellen een volledige workflow op voor contact-rijke manipulatie:

1. Model Generatie: Een MuJoCo-model wordt gegenereerd met behulp van fysieke parameters.
2. Systeemidentificatie: Onzekere parameters (stijfheid, pees-pre-spanning) worden geïdentificeerd tegenover de echte hardware met behulp van Bayesiaanse optimalisatie om de fout in de tippositie te minimaliseren.
3. Data Collectie: Teleoperatie-demonstraties worden in de simulatie verzameld via een state-based interface.
4. Imitatie Leren: Policies worden getraind met een state-based variant van het ACT (Action Chunking with Transformers) algoritme.
5. Zero-Shot Deployment: De policies worden direct naar de fysieke robot gedeployed zonder fine-tuning.

Belangrijkste Bijdragen

1. Simulatie Framework: De afleiding van een discretisatie die TDCRs natief in MuJoCo plaatst, waardoor peeskrachten, lichaamscontact en dynamica verenigd worden in één enkele physics pipeline. Dit is de eerste aanpak die fysieke onderbouwing (via continuümmechanica), native contactresolutie en leerintegratie combineert voor zachte continuümrobots.
2. Systeem Validatie: Validatie van de simulator tegen een Cosserat-staaf referentie (SoRoSim) en echte hardware. De simulatie bereikt een fout van minder dan één procent in statica en dynamica ten opzichte van de referentie, en een gemiddelde tip-tracking fout van 4,1% tegenover fysieke hardware na systeemidentificatie.
3. Sim-to-Real Transfer: De eerste demonstratie van sim-to-real transfer voor contact-rijke manipulatie met continuümrobots. De auteurs hebben succesvol policies getraind in simulatie en deze zero-shot gedeployed naar een fysieke 3-segment, 9-pees TDCR gemonteerd op een 7-DoF Franka arm.

Resultaten

Het paper evalueert de aanpak over drie niveaus:

• Simulatie versus Theorie: De MuJoCo discretisatie komt met hoge getrouwheid overeen met de SoRoSim Cosserat referentie. Statische tipfouten liggen onder de 0,2% van de staaflengte bij $N=50$, en dynamische fouten blijven onder de 1% over diverse discretisatieniveaus.

• Simulatie versus Hardware: Na systeemidentificatie volgt de simulator een fysieke TDCR met een gemiddelde tipfout van 7,7 mm (4,1% van de lengte van de 186,5 mm lange robot) over een onafhankelijke testset, ondanks niet-gemodelleerde effecten zoals peeswrijving en hysteresis.

• Taak Prestaties: De auteurs hebben twee contact-rijke taken getest:

  1. Whole-body Grasping: Het omwikkelen van een cilinder met het compliant lichaam om deze op te tillen en neer te leggen.
  2. Flip Switch: Het benaderen van een wandmontage-schakelaar vanaf de achterzijde en deze omzetten met behulp van gedistribueerd contact.

  Policies getraind in simulatie behaalden succespercentages van 76% (Grasping) en 78% (Switch) op de echte hardware, wat iets hoger ligt dan de succespercentages in de simulatie (73% voor beide). Dit geeft aan dat de getrouwheid van de simulator voldoende is voor transfer en dat de gedistribueerde compliantie van de robot resterende fouten kan opvangen.

Betekenis en Claims

Het paper claimt de eerste demonstratie van sim-to-real transfer voor contact-rijke manipulatie met continuümrobots te zijn. Door een discretisatie af te leiden die zowel fysiek onderbouwd als compatibel is met standaard rigide-body engines, maken de auteurs het mogelijk om volwassen simulatie-gestuurde leerparadigma's (teleoperatie, imitatie leren, zero-shot deployment) toe te passen op de zachte robotica.

Het werk suggereert dat het veld van zachte continuümrobotica nu dezelfde dataverzameling, schaalbaarheid en benchmark-workflows kan benutten die de rigide-robot manipulatie hebben versneld. De auteurs benadrukken dat hun aanpak de fysieke interpreteerbaarheid herstelt van pseudo-rigid-body modellen, waardoor convergentiegaranties en generalisatie buiten de kalibratiecondities mogelijk worden, terwijl de eerder voor deze klasse robots onbeschikbare contactresolutie en leerintegratie worden ontsloten.

Het paper blijft bescheiden over de reikwijdte en merkt op dat de validatie specifiek is voor slanke, dunne ruggengraat TDCR's waar de Kirchhoff-aanname standhoudt, en dat het leeralgoritme (ACT) niet tegen alternatieve architecturen is vergeleken. Toekomstig werk richt zich op het uitbreiden van de discretisatie naar algemene Cosserat-staven (met afschuiving/extensie) en het verkennen van visuele vormfeedback.