🤖 AI

A Continual Learning Framework for Adaptive Control of Modular Soft Robots

Dit artikel stelt een framework voor voor continu leren dat modulaire zachte robots in staat stelt om adaptief variërende morfologieën te besturen en modulespecifieke dynamica te leren zonder eerdere kennis te vergeten, zoals gevalideerd door zowel simulatie- als experimenten in de echte wereld.

Oorspronkelijke auteurs: Nilay Kushawaha, Muhammad Sunny Nazeer, Baljinder Singh Bal, Cecilia Laschi, Egidio Falotico

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nilay Kushawaha, Muhammad Sunny Nazeer, Baljinder Singh Bal, Cecilia Laschi, Egidio Falotico

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een robot voor die gemaakt is van zachte, buigzame segmenten, zoals een ketting van verbonden worsten of een rups. Dit is een Modular Soft Robot (MSR). Deze robots zijn geweldig omdat ze zich door nauwe ruimtes kunnen persen en veilig rond mensen kunnen bewegen, maar ze zijn ongelooflijk moeilijk te besturen. Ze buigen, draaien en rekken zich op onvoorspelbare manieren uit, wat het moeilijk maakt om een computerprogramma te schrijven dat hen precies vertelt hoe ze moeten bewegen.

Normaal gesproken, als je een nieuw segment aan de robot toevoegt of er een weghaalt, stopt het oude computerprogramma met werken. Je moet dan de oude "hersenen" weggooien en een compleet nieuwe hersenstructuur trainen. Dit is traag en verspillend.

Dit artikel introduceert een nieuwe "hersenen" genaamd SMPL (Soft Modular Progressive Learning). Zo werkt het, met behulp van eenvoudige analogieën:

1. De "Altijd Uitbreidbare Bibliotheek" (Continual Learning)

Denk aan de controller van de robot als een student die leert autorijden.

De Oude Manier: Als de student leert autorijden in een sedan, en je vervangt de auto vervolgens door een vrachtwagen, dan moet de student alles over de sedan vergeten en opnieuw beginnen op een rijschool voor vrachtwagens.
De SMPL-manier: Dit nieuwe framework is als een student die de handleiding voor de sedan op de plank laat staan. Wanneer ze een vrachtwagen krijgen, gooien ze de handleiding voor de sedan niet weg. In plaats daarvan voegen ze een nieuw hoofdstuk toe aan hun schrift, specifiek voor vrachtwagens. Ze kunnen nog steeds perfect de sedan rijden (omdat het oude hoofdstuk er nog is) en nu kunnen ze ook de vrachtwagen rijden.

In technische termen noemt het artikel dit Continual Learning. De robot leert nieuwe vormen aan (door modules toe te voegen of te verwijderen) zonder de controle over de oude vormen te "vergeten". Het bouwt een bibliotheek aan kennis op, waarbij het nieuwe boeken toevoegt aan de bibliotheek telkens wanneer de robot verandert, in plaats van de hele bibliotheek telkens opnieuw te schrijven.

2. Het "Gespecialiseerde Team" (Distributed Control)

Stel je een groot orkest voor.

De Oude Manier: Eén enkele dirigent probeert elke violist, drummer en fluitist tegelijkertijd precies te vertellen wat ze moeten doen. Als de dirigent moe wordt of een fout maakt, lijdt het hele orkest eronder.
De SMPL-manier: Dit framework werkt als een dirigent die voor elk instrument een gespecialiseerde coach inhuurt. Eén coach leert de violen, een ander de drums, enzovoort.
- Elke "coach" (sub-netwerk) richt zich alleen op hun specifieke instrument (module).
- Ze praten met elkaar (laterale verbindingen) om tips uit te wisselen, maar ze vertrouwen niet op één persoon om alles te besturen.
- Het Voordeel: Als een drumstok breekt (een module faalt), hoef je alleen de drumcoach opnieuw te trainen. De vioolcoach blijft perfect spelen. Dit maakt het systeem robuuster en nauwkeuriger.

3. Het "Veiligheidsnet" (Closed-Loop Control)

Het artikel beschrijft ook een veiligheidsmechanisme. Stel je voor dat de robot een cirkel probeert te tekenen.

Open-Loop (Geen Veiligheidsnet): De robot raadt de commando's om de cirkel te tekenen. Als hij begint af te wijken, blijft hij een kromme lijn tekenen omdat hij niet weet dat hij fout zit.
Closed-Loop (SMPL's Aanpak): De robot heeft een "spiegel" (een forward model) die voorspelt waar hij zal zijn. Hij vergelijkt die voorspelling met waar hij zou moeten zijn. Als er een verschil is (een fout), voert hij die fout onmiddellijk terug in zijn brein om de volgende beweging te corrigeren. Het is als een persoon die een cirkel tekent terwijl hij constant op het papier kijkt en zijn hand in realtime bijstuurt.

Wat Hebben Ze Bewezen?

De onderzoekers hebben dit "brein" op twee manieren getest:

In een Computersimulatie: Ze bouwden een virtuele zachte robot en bleven segmenten toevoegen (van 1 segment tot 5). Het SMPL-framework leerde de 1-segment robot te besturen, daarna de 2-segment robot, enzovoort, zonder het vermogen te verliezen om de 1-segment versie te besturen. Het werkte beter dan andere standaard AI-methoden.
Op een Echte Robot: Ze bouwden een echte, fysieke robot met drie zachte, luchtgevulde segmenten. Ze testten deze op een echte tafel. De robot volgde succesvol complexe paden (zoals cirkels, rechthoeken en spiralen) met hoge precisie. De "team van coaches"-aanpak (distributed control) was nauwkeuriger dan de "enkele dirigent"-aanpak.

Het "Slimme Energiebesparings-experiment"

Ten slotte lieten ze zien dat de robot op een slimme manier lui kon zijn.

De Test: Ze vroegen de robot om een specifiek punt in de lucht te bereiken.
De Truc: In plaats van alle drie de segmenten te gebruiken om het punt te bereiken, ontdekte de robot dat hij alleen het middelste segment nodig had. Hij zette de andere twee uit om energie en rekenkracht te besparen.
Het Resultaat: Als het middelste segment niet genoeg was, zou hij het eerste segment "wakker maken" om te helpen. Hij gebruikte alleen het minimale aantal onderdelen die nodig waren om de taak te voltooien.

Samenvatting

Dit artikel presenteert een nieuwe manier om zachte robots te leren hoe ze moeten bewegen. In plaats van de robot te dwingen alles opnieuw te leren telkens wanneer hij van vorm verandert, voegt dit systeem nieuwe vaardigheden toe zonder oude te vergeten. Het verdeelt de besturingstaak ook in kleinere, gespecialiseerde taken, wat de robot nauwkeuriger en veerkrachtiger maakt. Het is alsof je een zachte robot een brein geeft dat met hem meegroeit, in plaats van een brein dat telkens vervangen moet worden wanneer de robot van outfit verandert.

Technische Samenvatting: Een Continual Learning Framework voor Adaptieve Controle van Modulaire Soft Robots

Probleemstelling
Modulaire Soft Robots (MSR's) bieden significante voordelen in ongestructureerde omgevingen vanwege hun compliantie en herconfigureerbaarheid. Echter, het aansturen van MSR's brengt unieke uitdagingen met zich mee die voortvloeien uit hun nietlineaire dynamica, hyper-redundantie en complexe materiaaleigenschappen. Bestaande besturingsstrategieën kampen met twee primaire beperkingen:

Gebrek aan Adaptiviteit bij Morfologische Veranderingen: De meeste controllers gaan uit van een vaste robotmorfologie. Wanneer modules worden toegevoegd of verwijderd, moet de controller doorgaans vanaf nul worden hertraind, waardoor eerder verworven kennis niet wordt benut.
Schaalbaarheid en Robuustheid in Vaste Configuraties: Voor MSR's met een vaste morfologie vertrouwen conventionele benaderingen vaak op een enkele gecentraliseerde controller. Dit beperkt de modulariteit, vermindert de schaalbaarheid voor robots met veel modules en creëert een systeem dat gevoelig is voor foutpropagatie. Bovtraad, als een specifieke module faalt (bijv. door een punctie), moet het gehele gecentraliseerde model mogelijk opnieuw worden getraind.

Methodologie: Soft Modular Progressive Learning (SMPL)
De auteurs stellen SMPL voor, een controleframework gebaseerd op Continual Learning (CL) en Progressive Neural Networks (PNN). Het framework adresseert het probleem van catastrofaal vergeten (catastrophic forgetting) terwijl het incrementeel leren en gedistribueerde controle mogelijk maakt.

Architectuur: Het SMPL-framework maakt gebruik van een progressieve architectuur waarbij elke nieuwe MSR-configuratie (of elke module in een vaste configuratie) een toegewezen sub-netwerk krijgt.
- Laterale Verbindingen: Om kennisoverdracht te faciliteren, worden laterale verbindingen gelegd tussen het huidige sub-netwerk en alle eerder geleerde sub-netwerken. De parameters van de bestaande sub-netwerken worden bevroren om eerdere kennis te behouden, terwijl nieuwe sub-netwerken worden getraind met een willekeurige initialisatie.
- Wiskundige Formulering: De verborgen representatie van de $i$ -de laag in het $k$ -de sub-netwerk combineert een zelfbijdrage van het huidige sub-netwerk met een laterale bijdrage van vorige sub-netwerken (Vergelijking 1).
Closed-Loop Training: Het framework werkt in een closed-loop configuratie. Een invers model (de controller) voorspelt de actuatie-commando's op basis van de doelpose en de huidige taakruimte-fout. Deze commando's worden doorgegeven aan een vooraf getraind, vast Forward Dynamics Model (gebaseerd op LSTM) om de resulterende pose te voorspellen. De fout tussen de voorspelde en de doelpose wordt teruggekoppeld als input naar het inverse model om de training te stabiliseren en de taakruimte-fout te verkleinen.
Trainingsdata: Het systeem wordt getraind met "motor babbling" data, waarbij willekeurige actuatiesignalen worden toegepast om de werkruimte te verkennen.
Experimentele Scenario's:
- Exp1S (Incrementele Morfologie): Het framework leert sequentieel naarmate er modules worden toegevoegd (van 1 naar 5 modules). Het moet de actuatie voorspellen voor de huidige configuratie, terwijl het het vermogen behoudt om vorige configuraties te besturen zonder hertraining.
- Exp2S & Exp2R (Gedistribueerde Controle): Voor een MSR met drie modules in een vaste configuratie hanteert het framework een gedistribueerde aanpak waarbij elk sub-netwerk de specifieke dynamica van één module leert. Dit maakt lokale controle mogelijk en biedt de mogelijkheid om alleen de getroffen module te hertrainen als er degradatie optreedt.

Belangrijkste Bijdragen

Incrementele Adaptatie: De voorstel van een CL-gebaseerd framework dat MSR's in staat stelt om zich aan te passen aan nieuwe morfologische configuraties (module toevoegen/verwijderen) terwijl kennis van eerder geleerde structuren behouden blijft.
Gedistribueerde Controle voor Vaste Morfologieën: Demonstratie dat hetzelfde framework module-specifieke dynamica kan leren voor vaste-omvang MSR's, wat een verbeterde precisie en schaalbaarheid biedt vergeleken met gecentraliseerde controllers.
Uitgebreide Validatie: Uitgebreide evaluatie via simulatie (tendon-driven robot) en real-world experimenten (driedelige pneumatische arm) over meerdere traject-volgstaken.
Adaptieve Module-activatie: Een demonstratie van het vermogen van het framework om selectief alleen de noodzakelijke modules te activeren om een doel te bereiken, wat de computationele overhead en het energieverbruik vermindert.

Resultaten

Trajectvolging (Exp1S): Het SMPL-framework slaagde erin trajecten te volgen over vijf incrementele configuraties (1 tot 5 modules). Het demonstreerde het vermogen om prestaties op eerder geleerde configuraties te behouden na training op nieuwe configuraties, waardoor het effectief catastrofaal vergeten tegengaat. Closed-loop training leverde consistent lagere positie- en oriëntatiefouten op vergeleken met open-loop settings.
Benchmarking (Exp2S & Exp2R): In zowel simulatie als real-world experimenten presteerde SMPL beter dan benchmarkmodellen, waaronder Multi-Layer Perceptrons (MLP), standaard LSTM, VAE-LSTM en Bi-LSTM.
- Simulatie: SMPL behaalde de laagste positiefout (3,52 mm) en oriëntatiefout (4,69°) op test babbling data.
- Real-World: Op de fysieke robot behaalde SMPL een positiefout van 4,97 mm en een oriëntatiefout van 1,75°, waarmee het de Bi-LSTM baseline (7,49 mm en 2,47°) aanzienlijk versloeg.
Adaptieve Activatie: In het bereikexperiment activeerde het framework dynamisch modules (beginnend met de doelmodule, gevolgd door de voorgaande, en vervolgens de volgende) om de fout te minimaliseren. Deze selectieve activatie slaagde erin het doel te bereiken met minder actuatie vergeleken met het gelijktijdig activeren van alle modules.

Betekenis en Claims
Het artikel claimt dat het SMPL-framework een robuuste oplossing biedt voor de controle van modulaire soft robots door de dubbele uitdagingen van morfologische herconfigureerbaarheid en schaalbaarheid aan te pakken. Door gebruik te maken van continual learning vermijdt het systeem de computationele kosten van het vanaf nul hertrainen wanneer de structuur van de robot verandert. Verder versterkt de gedistribueerde controlearchitectuur de systeemrobuustheid; als een specifieke module degradeert of faalt, vereist alleen het bijbehorende sub-netwerk hertraining in plaats van het gehele systeem. De auteurs positioneren dit werk als een stap naar meer efficiënte, adaptieve en schaalbare soft robotische systemen die in staat zijn te opereren in dynamische omgevingen.

Beperkingen en Toekomstig Werk
De auteurs erkennen dat het sequentiële leerproces leidt tot een toename van de trainingstijd. Toekomstig werk beoogt meta-learning principes te integreren om de adaptatie aan nieuwe modules te versnellen. Daarnaast zijn zij van plan de robuustheid van het framework tegen real-world actuator-degradatie (bijv. lekkage) te onderzoeken en de architectuur uit te breiden naar actuator-niveau modulaire controle voor fijnere precisie en energie-efficiëntie.