Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs

Technische Samenvatting: Multi-Contact Force Estimatie voor Continuümrobots via Gaussische-Geparametriseerde Factor Grafen

Probleemstelling
Continuümrobots bieden significante voordelen bij het navigeren door ongestructureerde en nauwe omgevingen vanwege hun inherente compliantie. Echter, veilige operatie in dergelijke settings vereist een nauwkeurige schatting van externe contactkrachten die werken op onbekende locaties langs de robotbody. Het schatten van deze krachten is een slecht gesteld (ill-conditioned) probleem, met name wanneer er gelijktijdig meerdere contacten optreden. Bestaande benaderingen kampen met specifieke beperkingen: methoden voor het schatten van krachten bij de tip falen wanneer botsingen plaatsvinden langs de lengte van de robot; kinematica-gebaseerde methoden schalen vaak slecht met het aantal contacten; en deterministische statische modellen zijn kwetsbaar voor sensorruis. Bovendien is het schatten van krachten bij elk discreet knooppunt van een continuümmodel (node-wise estimatie) een ernstig onderbepaald probleem vanwege de onderbepaalde mapping van gedistribueerde krachten naar de ruggengraatvorm.

Methodologie
De auteurs stellen een verenigd vorm- en krachtschattingframework voor, geformuleerd op een factor graaf. De kern van de methodologie bestaat uit drie belangrijke componenten:

1. Gaussische-Geparametriseerde Cosserat-model: De auteurs integreren een Gaussische mengparameterisatie in een gediscretiseerd probabilistisch Cosserat-staafmodel. In plaats van een krachtvector bij elk knooppunt te schatten, wordt de externe gedistribueerde kracht $f_e(s)$ geparametriseerd als een som van $M$ genormaliseerde Gaussische basisfuncties. Deze benadering vermindert de dimensionaliteit van de onbekende externe krachten en verzacht de slecht gestelde aard van het schattingsprobleem. De parameterisatie maakt het mogelijk om zowel puntbelastingen als gedistribueerde belastingen te representeren door de standaarddeviatie ($\sigma$) van de Gaussische functies te variëren. De centra van deze Gaussische functies worden binnen de booglengte van de robot beperkt met behulp van een hyperbolische tangens-transformatie.
2. Factor Graaf Formulering: Het toestandsschattingprobleem wordt gegoten in een Maximum a Posteriori (MAP) schatting binnen een factor graaf-architectuur. Dit framework fuseert probabilistisch multi-modale sensordata met het statische model van de robot. De graaf bevat:
   • Mechanica Factoren: Het afdwingen van discrete kinematica, constitutieve relaties (rek-stijfheid) en statische momentbalansvergelijkingen.
   • Meet Factoren: Het integreren van observaties van peesspanning, lokale rek (bijv. van FBG-sensoren) en pose (bijv. van elektromagnetische trackers).
   • Prior en Grens Factoren: Het regulariseren van het probleem met basis-/tip-randvoorwaarden en een zero-mean prior op de krachtamplitudes om de onderbepaalde aard van het inverse probleem aan te pakken.
3. Progressieve Schattingsstrategie: Voor dynamische navigatietaken met een onbekend aantal contacten introduceren de auteurs een progressieve variant. De estimator initialiseert met een enkele Gaussische basis. Terwijl de robot navigeert, wordt er een nieuwe basisfunctie dynamisch toegevoegd aan de toestandsvector als de geschatte magnitude van een actieve basis een vooraf gedefinieerde drempelwaarde overschrijdt. Om numerieke stabiliteit te garanderen, bevat het framework een axiale krachtstraf (om divergentie in rechte posities te voorkomen) en een ruimtelijke scheidingsstraf (om te voorkomen dat meerdere basiscentra naar dezelfde locatie instorten).

Belangrijkste Bijdragen

• Verenigd Framework: Een nieuw factor graaf-formulering die simultaan de vorm en meerdere externe contactkrachten van de robot schat.
• Dimensionaliteitsreductie: Het gebruik van Gaussische mengparameterisatie om de onbekende krachtparameters te reduceren, wat de slecht gestelde aard van node-wise krachtestimatie aanpakt.
• Robuustheid tegen Ruis: De probabilistische formulering modelleert expliciet sensor- en modelonzekerheden, wat een superieure robuustheid demonstreert vergeleken met deterministische modellen.
• Sequentiële Contactafhandeling: Een progressief algoritme dat de complexiteit van het model (het aantal basisfuncties) aanvraag-gestuurd aanpast tijdens de operatie, geschikt voor navigatietaken in besloten ruimtes.

Resultaten
Numerieke simulaties werden uitgevoerd met SoroSim om de voorgestelde methode te valideren tegenover twee baselines: een discrete node-wise estimator (Baseline 1) en een deterministische Gaussische parameterisatie methode (Baseline 2).

• Single-Contact Scenario's: Onder ruisvrije condities bereikte de voorgestelde methode een gemiddelde locatiefout van 3,47 mm, vergelijkbaar met Baseline 2 (3,5 mm) en significant beter dan Baseline 1 (9 mm). Onder ruisige condities (1 mm positieruis, 0,1 rad/m rekruis) bleef de voorgestelde methode robuust met een locatiefout van 8,74 mm. In contrast hiermee degradeerde Baseline 2 naar 20,1 mm, en Baseline 1 naar 36,68 mm. De voorgestelde methode behield ook een scherpe lokalisatie van de kracht (12 mm spreiding) vergeleken met de breed uitgesmeerde schattingen van Baseline 1.
• Multi-Contact Scenario's: In tests voor de estimatie van twee krachten presteerde de voorgestelde methode beter dan Baseline 1 bij het lokaliseren van de tweede kracht, met name onder ruis. Terwijl Baseline 1 spookpieken en grote maximale locatiefouten produceerde (tot 82,47 mm met ruis), hield de voorgestelde methode de maximale fout beperkt tot 48,32 mm en loste deze correct twee onderscheidende Gaussische pieken op.
• Besloten Navigatie: In een gesimuleerde taak waarbij een continuümrobot door een rigide doos navigeert, slaagde de progressieve estimator erin om sequentiële contacten te identificeren. Het initialiseerde met één basis, detecteerde het eerste contact met de wand, en voegde dynamisch een tweede basis toe om de dual-contact staat te vangen terwijl de robot een tweede wand raakte.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework effectief de onderbepaalde aard van multi-contact krachtestimatie in continuümrobots aanpakt. Door de dimensionaliteit van de onbekende krachten te reduceren via Gaussische parameterisatie en multi-sensorische data te fuseren via een factor graaf, bereikt de methode een hogere nauwkeurigheid en robuustheid tegen sensorruis dan bestaande node-wise of deterministische benaderingen. De auteurs benadrukken dat hun aanpak veilige navigatie in onbekende omgevingen mogelijk maakt door betrouwbare schattingen van contactlocatie en -magnitude te bieden zonder dat expliciete omgevingskaarten of visuele sensoren vereist zijn. Het werk wordt gepresenteerd als een stap naar closed-loop controle, waarbij geschatte krachten reactieve obstakelvermijding en krachtcontrole kunnen ondersteunen, hoewel de huidige implementatie steunt op een quasi-statisch model.