Resumo Técnico: Aprendizado Sim-to-Real Baseado em Funções e Sem Correspondência para o Controle de Superfícies Deformáveis

1. Definição do Problema

Sistemas robóticos suaves com superfícies de forma livre possuem altos graus de liberdade (DoFs) devido aos seus corpos elásticos, tornando o controle de forma via cinemática inversa (IK) altamente complexo. Embora simulações numéricas possam prever a deformação, existem discrepâncias geométricas significativas ("reality gaps") entre as formas simuladas e as deformações físicas devido a incertezas de hardware e simplificações de modelagem.

Os métodos existentes de transferência sim-to-real enfrentam três limitações primárias:

1. Cobertura Espacial Limitada: Eles frequentemente dependem de pontos de marcação esparsos (ex: corrigindo apenas o efetuador final), deixando o restante do manipulador sem correção.
2. Dependência de Correspondências: Métodos tradicionais exigem correspondências ponto a ponto completas entre os dados simulados e capturados, tornando-os incompatíveis com nuvens de pontos de scanners 3D não estruturados.
3. Falta de Robustez à Oclusão: Sistemas baseados em marcadores falham quando os marcadores são ocluídos por grandes deformações locais, tornando os quadros afetados inutilizáveis para treinamento.

O artigo aborda a necessidade de um método de aprendizado sim-to-real sem correspondência que possa corrigir erros de forma sob grandes deformações usando tanto dados de scanner 3D (nuvens de pontos sem correspondências) quanto dados de captura de movimento (MoCap) (tolerando a perda de marcadores).

2. Metodologia

A abordagem proposta estabelece um mapeamento baseado em funções entre as respostas de deformação simuladas e reais, integrado em um pipeline de rede neural (NN) para computação eficiente de IK.

A. Representação de Forma Compacta

Para evitar a redundância do processamento de nuvens de pontos completas, a superfície de forma livre $S$ é representada por uma superfície B-spline.

• A superfície é parametrizada, e os pontos de controle ($S_c$) são extraídos para servir como um descritor de forma compacto.
• Qualquer ponto $p$ na superfície é reconstruído via um decodificador B-spline: $p = B(u, v, S_c)$.
• Isso reduz a dimensionalidade da entrada para a rede de aprendizado.

B. Deformação Espacial Baseada em Funções

O núcleo da transferência sim-to-real é uma função de deformação espacial $\Phi(p)$ baseada em Funções de Base Radial (RBF) que mapeia um ponto simulado $p$ para um ponto corrigido $p^*$:
$$p^* = \Phi(p) = \alpha_0 + Ap + \sum_{i=1}^{N} \beta_i e^{-c\|p - q_i\|^2}$$

• Centros de Kernel ($q_i$): Fixos no domínio paramétrico UV, mas mapeados para o espaço 3D via os pontos de controle da B-spline.
• Rede de Predição de Função ($N_{rbf}$): Em vez de aprender a deformação diretamente para cada forma, uma rede neural prevê os coeficientes RBF $\gamma = [\alpha_0, \dots, \beta_i]$ com base nos pontos de controle de entrada $S_c$. Isso permite que o sistema gere uma função de deformação contínua para qualquer forma simulada.

C. Alinhamento Diferenciável e Treinamento Conjunto

Para treinar o sistema sem correspondências explícitas de pontos, os autores introduzem uma distância de Chamfer ponderada pela confiança como métrica de perda primária.

• Mapa de Confiança ($N_{conf}$): Uma rede secundária prevê um valor escalar de confiança $w_c(p) \in [0, 1]$ para cada ponto, representando a probabilidade de encontrar uma correspondência confiável nos dados capturados.
• Função de Perda: O treinamento minimiza uma distância de Chamfer ponderada entre a forma corrigida prevista $S^*$ e a forma física capturada $S_p$. O mapa de confiança reduz o peso de regiões com dados ausentes ou baixa confiabilidade.
• Regularização: Três termos de perda adicionais garantem robustez:
  1. Regularização de Confiança: Impede que o mapa de confiança colapse para zero.
  2. Compatibilidade de Normais: Garante que as normais da superfície da forma prevista alinhem-se com as da forma capturada.
  3. Regularização Geométrica: Impõe condições de compatibilidade nos coeficientes RBF (ex: $\sum \beta_i = 0$) para evitar formas "estranhas" quando o número de kernels é limitado ou as discrepâncias são grandes.

D. Pipeline de Cinemática Inversa (IK)

As redes treinadas formam um pipeline end-to-end e analiticamente diferenciável:

1. Cinemática Direta: Uma rede $N_{fk}$ prevê os pontos de controle da B-spline $S_c$ a partir dos parâmetros de atuação $a$.
2. Transferência Sim-to-Real: $N_{rbf}$ prevê os coeficientes RBF, e $\Phi$ deforma a forma para o domínio físico.
3. Otimização: O problema de IK é resolvido via gradiente descendente, minimizando a distância entre a forma física prevista e uma forma alvo $S_t$. A diferenciabilidade de toda a cadeia permite a computação eficiente de gradientes.

3. Principais Contribuições

1. Pipeline Sim-to-Real Resiliente: Um framework que une o gap de realidade usando um espaço de função de deformação baseado em RBF, capaz de lidar com nuvens de pontos não organizadas e oclusões parciais.
2. Treinamento Sem Correspondência: Um método de alinhamento diferenciável usando um mapa de confiança aprendido e distância de Chamfer ponderada, eliminando a necessidade de correspondências de pontos pré-definidas.
3. IK Eficiente Baseado em NN: Um pipeline computacional que resolve o problema de cinemática inversa para robôs moles deformáveis de forma eficiente, aproveitando gradientes analíticos através da transferência sim-to-real.

4. Resultados Experimentais

O método foi validado em quatro robôs moles atuados pneumaticamente com diferentes complexidades:

• Membrana Deformável: 9 câmaras, grandes deformações de inflação.
• Manipulador Suave: Dois segmentos, 6 câmaras, flexão pura.
• Manequim Robótico: 15 câmaras, 9 DoFs, superfície de forma livre complexa.
• Manipulador Compressível: Bellows 3x3, capaz de compressão, inflação e flexão.

Métricas de Desempenho:

• Precisão: Comparado à simulação pura ou aprendizado direto (mapeamento de atuação para forma), o método sim-to-real proposto reduziu os erros médios de forma em 63,3% a 75,5% na membrana deformável e melhorou significativamente os resultados no manequim e nos manipuladores.
• Eficiência de Dados: O método alcançou baixos níveis de erro com apenas 40 quadros de treinamento, enquanto o aprendizado direto exigiu 400 quadros para atingir desempenho similar.
• Robustez: O sistema lidou com sucesso com conjuntos de dados com até 21% de pontos de amostra ausentes (scanner 3D) e 9,8% de marcadores ausentes (MoCap).
• Aplicações:
  • Impressão 3D: Usado como um molde reconfigurável; a correção sim-to-real reduziu as lacunas entre a cabeça da impressora e o molde, permitindo a deposição precisa de material.
  • Planejamento de Movimento: Permitiu o planejamento de trajetórias livres de colisão para um manipulador suave navegando entre obstáculos, onde as previsões baseadas apenas em simulação levavam a colisões.
  • Controle de Manequim: Alcançou convergência rápida (aprox. 15 iterações) para formas corporais humanas do dataset CAESAR.

5. Significância e Alegações

O artigo afirma avançar o estado da arte no controle de forma para superfícies de forma livre deformáveis ao:

• Remover a dependência de correspondências completas, possibilitando o uso de scanners 3D densos e sistemas MoCap robustos, mesmo com oclusões.
• Fornecer um framework unificado e diferenciável que integra a correção sim-to-real diretamente no solver de IK, permitindo controle em tempo real baseado em gradiente.
• Demonstrar generalização através de diversos princípios de atuação (inflação pura, flexão, compressão) e complexidades estruturais.

Limitações e Trabalho Futuro:
Os autores reconhecem que o método depende fortemente da qualidade e cobertura do conjunto de dados de treinamento. Além disso, devido à suavidade inerente das RBFs, o método é menos eficaz em superfícies com características agudas. Trabalhos futuros incluem o uso do manequim deformável como um molde reutilizável para fabricação sustentável de vestuário e o teste de manipuladores suaves em tarefas de pick-and-place.