Technische Samenvatting: Modulenummer-Adaptieve Visuele Vormcontrole voor Seriele Modulaire Zachte Robots

1. Probleemstelling

Zachte robots, in het bijzonder die vervaardigd uit modulaire pneumatische actuatoren, bieden aanzienlijk potentieel voor operaties in beperkte en ongestructureerde omgevingen. Het besturen van de volledige lichaamsvorm van deze robots is echter uitdagend vanwege hun hoge vrijheidsgraden, materiaalinlineariteiten, hysteresis en fabricagevariabiliteit. Hoewel datagestuurde controlemethoden zijn opgekomen om complexe analytische modellering te omzeilen, vertrouwen bestaande benaderingen doorgaans op controllers die getraind zijn voor vaste robotstructuren.

Een kritieke beperking in de huidige beeldgebaseerde controle van de volledige lichaamsvorm is het gebrek aan schaalbaarheid. Wanneer het aantal modules in een seriele zachte robot verandert, verschuift de ruimtelijke distributie van de modules binnen het gezichtsveld van de camera. Bijgevolg kan een controller die getraind is op een specifieke configuratie (bijv. een enkele module) niet direct worden hergebruikt voor configuraties met een ander aantal modules zonder nieuwe trainingsdata te verzamelen en het model opnieuw te trainen. Dit artikel adresseert de behoefte aan een controleframework dat kan adapteren aan variërende aantallen modules met behulp van controlekennis die uitsluitend is geleerd van een enkelvoudige module-configuratie.

2. Methodologie

Het voorgestelde framework bereikt schaalbare controle van de volledige lichaamsvorm door het globale controleprobleem te deconstrueren naar lokale module-niveau taken. Het systeem bestaat uit drie primaire componenten: een Module Extractor, een Module Controller en een Mask Reconstruction Network.

A. Systeemarchitectuur

1. Module Extractor:

   • Maakt gebruik van een Module Segmenter (MS), een instance-segmentatiemodel (gebaseerd op Detectron2), om bounding boxes voor elke module in de afbeelding van de volledige lichaamsvorm te identificeren.
   • De geëxtraheerde modules worden gesorteerd op hun verticale positie (van boven naar beneden) om een consistente correspondentie tussen de huidige en doelafbeeldingen te vestigen.
   • De afbeelding van de volledige lichaamsvorm wordt in lokale patches geknipt die overeenkomen met elke module. Een interpolatieproces wordt toegepast op de grenzen van de patches om achtergrondruis te verminderen.
   • Een enkele MS wordt gefinetuned op een gecombineerde dataset die afbeeldingen bevat van alle geteste configuraties (1 tot 5 modules), waardoor het in staat is om modules te lokaliseren ongeacht het totale aantal.

2. Module Controller:

   • Werkt op basis van een closed-loop principe en werkt iteratief de actuatiespanningen bij op basis van het verschil tussen de huidige en de doeltoestanden.
   • Inputverwerking: Voor elke modulepatch identificeert een Actuator Segmenter (AS) de drie pneumatische kunstmatige spieren (links, midden, rechts). De maskers worden opnieuw geordend op basis van hun middelpunt x-coördinaten om een consistente ruimtelijke kanaalvolgorde (Links-Midden-Rechts) te garanderen.
   • Toerstandsrepresentatie: De inputtensor voor de controller is een 9-kanaals concatenatie van:
     • Huidige binaire maskers ($M_{t,n}$).
     • Doel binaire maskers ($M_{targ,n}$).
     • Een genormaliseerde spanningskaart ($Q_{t,n}$) die wordt uitgezonden vanuit de huidige commando-spanningen.
   • Voorspellingsmodel: Een op CNN gebaseerd spanningsvoorspellingsmodel ($I_\theta$) schat de gewenste spanningsvector in. Het definitieve commando wordt bijgewerkt met behulp van een eerste-orde gain ($K=0.5$) toegepast op het verschil tussen de voorspelde en de huidige spanningen, gevolgd door clipping naar het geldige spanningsbereik.
   • Trainingsstrategie: De controller wordt alleen getraind op visuele data en actuatiedata van een enkele module. Om transfer naar downstream modules in langere ketens te faciliteren, wordt tijdens de training geometrische data-augmentatie (willekeurige rotaties en translaties) toegepast. Dit simuleert de positionele en oriëntatievariaties die downstream modules zouden vertonen in een multi-module setup.

3. Mask Reconstruction Network:

   • Adressereert het probleem van ontbrekende visuele informatie veroorzaakt door occlusie, overlap of veranderende lichtomstandigheden.
   • Een lichtgewicht U-Net-gebaseerd netwerk ($R_\phi$) reconstrueert ontbrekende actuator-maskerkanalen.
   • Mechanisme: Als een specifiek kanaal (bijv. het linker masker) ontbreekt of onbetrouwbaar is, neemt het netwerk de resterende twee maskerkanalen en de huidige spanningsvector als input om het ontbrekende kanaal te voorspellen. Dit zorgt ervoor dat de controller een consistente 9-kanaals inputtensor ontvangt, zelfs onder gedeeltelijke occlusie.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

• Compositioneel Visueel Controleframework: Een methode die een controller hergebruikt die uitsluitend is getraind op single-module data voor robots met variërende aantallen modules (1 tot 5) zonder dat daarvoor configuratiespecifieke controle-dataverzameling of het hertrainen van de controller nodig is.
• Schaalbare Transfer via Augmentatie: Demonstratie dat geometrische data-augmentatie (rotatie en translatie) toegepast tijdens single-module training effectief de visuele distributieverschuiving vermindert, wat de controller in staat stelt te generaliseren naar downstream modules in langere seriele ketens.
• Robuustheid Validatie: Experimentele verificatie van de prestaties van de controller op fysieke robots onder variërende moduleaantallen, omgevingsverstoringen (verlichting, achtergrond, affine transformaties), payload-belasting en synthetisch maskerverlies.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op een fysieke modulaire zachte pneumatische robot (tot 5 modules, totale lengte 875 mm) met behulp van een enkele RGB-camera.

• Schaalbaarheid (1 tot 5 Modules): De controller, die uitsluitend is getraand op single-module data, slaagde erin robots met 1 tot 5 modules naar doelhoudingen te drijven (gedraaid, voorwaarts, achterwaarts, etc.). Hoewel de gemiddelde kwadratische fout (MSE) en de standaarddeviatie ervan licht toenemen met het aantal modules (wat wijst op foutaccumulatie), nam de beeldfout consistent af over de tijd en convergeerde het binnen ongeveer 20 seconden.
• Impact van Data-Augmentatie: Experimenten die training met en zonder geometrische augmentatie vergeleken, toonden aan dat augmentatie de toename van de fout geassocieerd met een toenemend aantal modules aanzienlijk onderdrukte, wat de rol ervan bevestigt bij het generaliseren van het controlebeleid.
• Omgevingsrobuustheid: Het systeem behield zijn prestaties onder veranderde verlichting, achtergrondobstakels en synthetische affine transformaties (translatie en rotatie) van de feedbackafbeelding.
• Payload Belasting: Wanneer een payload van 500g aan de tip van de 5-module robot werd bevestigd, slaagde de controller erin om naar de doelvorm te convergeren, hoewel de variantie in fout over verschillende houdingen toenam.
• Masker Reconstructie: In experimenten waarbij één actuator-maskerkanaal synthetisch werd verwijderd, slaagde het reconstructienetwerk erin de ontbrekende visuele kenmerken te herstellen, waardoor de robot naar de doelhouding kon convergeren. Zonder reconstructie kon de robot niet effectief bewegen.

5. Betekenis en Beperkingen

Het artikel stelt dat dit werk schaalbare, markerloze vormcontrole van de volledige lichaamsvorm mogelijk maakt voor seriele modulaire zachte robots. De kernbetekenis ligt in het vermogen om een controlemodel te implementeren dat getraind is op een minimale, single-module dataset voor complexe, variabel lengte structuren zonder hertraining. Dit vermindert de last van dataverzameling en faciliteert de herconfiguratie van modulaire robots in dynamische omgevingen.

De auteurs erkennen bescheiden de beperkingen:

• Foutaccumulatie: Steady-state fouten nemen toe met het aantal modules, wat wordt toegeschreven aan veranderingen in lastdistributie (gravitatie-momenten) en het verlies van diepte-informatie dat inherent is aan monoculaire visie.
• Limieten van Data-Augmentatie: De huidige 2D rotatie en translatie augmentatie reproduceert niet volledig de schaalveranderingen die worden veroorzaakt door dieptebeweging (3D-variaties).
• Doelgeneratie: De studie gaat ervan uit dat een fysiek haalbare doelafbeelding wordt geleverd; het behandelt niet de generatie van dergelijke doelen vanuit high-level planners of schetsen.

De resultaten suggereren dat hoewel single-module leren kan worden samengesteld tot controle van de volledige lichaamsvorm, de fysieke koppeling en de diepte-ambiguïteiten in langere ketens praktische grenzen opleggen aan de precisie, wat toekomstig werk kan adresseren door middel van lastcompensatie of 3D-bewuste augmentatie.