💻 computer science

System Identification under Constraints and Disturbance: A Bayesian Estimation Approach

Este artigo apresenta uma abordagem bayesiana para identificação de sistemas robóticos que, ao integrar restrições físicas e modelos de atrito completos como igualdades, utiliza recursões de Riccati escaláveis para estimar com precisão trajetórias e parâmetros, resultando em melhor desempenho de controle e consistência de contato em simulações e experimentos reais.

Autores originais: Sergi Martinez, Steve Tonneau, Carlos Mastalli

Publicado 2026-02-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sergi Martinez, Steve Tonneau, Carlos Mastalli

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um robô de quatro patas (como um cachorro mecânico) e você quer ensinar a ele a andar, subir escadas e carregar coisas. Para fazer isso, o cérebro do robô precisa de um "manual de instruções" perfeito sobre como seu próprio corpo funciona: quanto pesa cada perna, onde está o centro de gravidade, quanta força o motor precisa para mover a articulação e, principalmente, quanto atrito existe nas engrenagens (como o "grude" de uma porta que está velha).

O problema é que esse manual nunca vem perfeito de fábrica. Se o robô tentar andar com um manual errado, ele vai tropeçar, gastar muita bateria ou cair.

Este artigo apresenta uma nova e inteligente maneira de escrever esse manual automaticamente, enquanto o robô está se movendo. Eles chamam isso de "Identificação de Sistema" (SysID), mas vamos chamar de "Aprendizado de Autoconhecimento".

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: "Adivinhar" vs. "Sentir"

Antes, os robôs tentavam descobrir como funcionavam de duas formas separadas:

Forma 1 (O Adivinhador): "Vou medir onde estou e tentar adivinhar quanto peso tenho." (Isso é ruim porque se você errar o peso, erra a posição).
Forma 2 (O Estatístico): "Vou medir tudo e fazer uma média." (Isso funciona bem se tivermos muitos dados, mas falha se os dados forem poucos ou ruidosos).

A Solução do Artigo: Eles criaram um método Bayesiano. Pense nisso como um detetive experiente.

Em vez de apenas olhar os dados brutos, o detetive tem uma "intuição" (o que chamamos de priori). Ele sabe, por exemplo, que as pernas esquerda e direita devem pesar o mesmo (simetria) e que o atrito nunca cria energia, apenas a consome.
Ele combina essa intuição com o que os sensores dizem, ajustando o manual de instruções em tempo real para que tudo faça sentido físico.

2. As Regras do Jogo (Restrições)

O robô não é um boneco de papel; ele tem regras físicas rígidas.

O Robô não pode flutuar: Se a pata toca o chão, ela não pode atravessá-lo.
O Robô tem "ossos" conectados: A perna do robô Unitree B1 tem um mecanismo de quatro barras (como um quadrado deformável). Se uma parte se move, a outra tem que se mover de um jeito específico.

O método deles trata essas regras como leis imutáveis. É como se o robô dissesse: "Eu sei que minha pata está no chão, então não vou inventar que estou voando só porque o sensor falhou". Isso evita que o robô "minta" sobre seu próprio peso ou atrito para explicar um erro de medição.

3. O Truque da Energia (A Conta de Luz)

Um dos maiores desafios é medir o atrito (o atrito das engrenagens). É difícil de ver.

A Analogia: Imagine que você está pedalando uma bicicleta. Você sabe quanto esforço (energia) você faz nos pedais. Você sabe o quanto a bicicleta subiu a ladeira (energia potencial) e o quanto acelerou (energia cinética).
O Pulo do Gato: Se você pedalou muito, mas a bicicleta não subiu nem acelerou tanto quanto deveria, o resto da energia foi perdido no atrito da corrente.
O método deles usa essa lógica. Eles medem a energia que entra (elétrica do motor) e a energia que sai (movimento do robô). A diferença é o atrito. Isso permite que o robô "sinta" o atrito mesmo sem ter sensores de força nas juntas.

4. A Matemática Rápida (O Riccati)

Fazer todos esses cálculos ao mesmo tempo (posição, velocidade, peso, atrito, restrições) é como tentar resolver um quebra-cabeça gigante de 1 milhão de peças. A maioria dos computadores ficaria lento demais.

Eles desenvolveram um algoritmo especial (uma "recursão de Riccati") que é como ter uma receita de bolo. Em vez de tentar assar o bolo inteiro de uma vez, você segue passos sequenciais que mantêm a estrutura organizada. Isso permite que o robô aprenda muito rápido, mesmo com dados de horas de movimento.

5. O Resultado na Vida Real

Eles testaram isso em um robô quadrúpede (Unitree B1) com um braço mecânico.

Sem o novo método: O robô usava o manual de fábrica (que era impreciso). Ao tentar subir escadas ou andar em terreno irregular, ele tropeçava e o braço tremia.
Com o novo método: O robô "aprendeu" seu próprio peso e atrito real. O resultado? Ele andou de forma muito mais suave, subiu escadas com confiança e o braço conseguiu segurar objetos com precisão, tudo isso sem precisar de sensores caros de força nas pernas.

Resumo em uma frase:

Este artigo ensina robôs a se conhecerem melhor enquanto se movem, usando leis físicas e contabilidade de energia como regras rígidas, permitindo que eles aprendam a andar e manipular objetos com a precisão de um atleta olímpico, mesmo em terrenos difíceis.

Título: Identificação de Sistemas sob Restrições e Perturbações: Uma Abordagem de Estimação Bayesiana

1. Problema e Motivação

A identificação de sistemas (SysID) é fundamental para reduzir a lacuna entre simulação e realidade (Sim2Real) em robótica, permitindo locomoção e manipulação dinâmicas e robustas. No entanto, os métodos convencionais enfrentam desafios críticos:

Acoplamento Estado-Parâmetro: Em sistemas de base flutuante (como robôs quadrúpedes), erros nos parâmetros do modelo (inércia, atrito) degradam a estimação de estado (localização), e vice-versa. Abordagens desacopladas falham em capturar essa interdependência.
Limitações dos Métodos Frequentistas: Métodos baseados em mínimos quadrados ou máxima verossimilhança tendem a sofrer overfitting com dados escassos ou modelos imperfeitos, resultando em generalização pobre e falta de quantificação de incerteza.
Complexidade de Modelos Reais: Robôs modernos possuem mecanismos de laço fechado (como quatro barras nas pernas), contatos bilaterais e atrito não linear complexo, que são frequentemente negligenciados ou simplificados excessivamente, levando a modelos fisicamente inconsistentes.
Dificuldade de Observabilidade: Sem sensores de torque direto, é difícil distinguir entre efeitos inerciais e de atrito, especialmente em robôs controlados por torque.

2. Metodologia Proposta

Os autores propõem um framework unificado de identificação Bayesiana que estima simultaneamente as trajetórias de estado, perturbações e parâmetros físicos do robô. A abordagem é baseada em otimização e integra:

Formulação Bayesiana com Restrições Duras:
O problema é formulado como uma minimização de um custo que combina erros de observação e priors, sujeito a restrições de igualdade e desigualdade:
- Dinâmica Híbrida: Utiliza dinâmica inversa como restrições de igualdade explícitas, acoplando movimento, entradas de atuação e interações de contato. Isso evita a instabilidade numérica comum na dinâmica direta.
- Restrições de Laço Fechado e Contato: Modela explicitamente mecanismos de laço fechado (ex: quatro barras) e contatos bilaterais como restrições algébricas, garantindo consistência física.
- Priors e Restrições de Parâmetros: Incorpora conhecimento prévio (ex: simetria esquerda-direita, limites de atrito, massa total) através de restrições de igualdade e desigualdade nos parâmetros.
Modelagem de Atrito e Energia:
- Modelo de Atrito Não Linear: Emprega um modelo suave e diferenciável que captura efeitos de atrito estático, de Coulomb, viscoso e Stribeck.
- Observações Baseadas em Energia: Para melhorar a observabilidade do atrito na ausência de sensores de torque, o framework incorpora observações de energia. Ele iguala a potência de entrada (trabalho dos atuadores) à mudança na energia mecânica mais a energia dissipada pelo atrito, fornecendo um sinal adicional para desacoplar inércia e atrito.
Tratamento de Perturbações e Ruído:
- O ruído do processo é projetado no espaço tangente das restrições de movimento (usando um projetor dinamicamente consistente), garantindo que as incertezas respeitem a estrutura cinemática do robô (ex: não permitir acelerações que violem contatos).
Otimização Escalável (Riccati Parametrizado):
- Para resolver o problema de otimização em grande escala (longos horizontes temporais), os autores derivam uma recursão de Riccati com restrições de igualdade parametrizada.
- Esta abordagem explora a estrutura de banda e a estrutura Markoviana do problema, resultando em complexidade linear no horizonte de tempo ( $O(N)$ ), permitindo a escalabilidade necessária para datasets de alta frequência.

3. Contribuições Principais

Framework Unificado: Uma abordagem Bayesiana que realiza a estimação conjunta de trajetória de estado e parâmetros físicos, superando a necessidade de trajetórias de estado conhecidas a priori.
Consistência Física Rigorosa: Integração de dinâmica inversa, restrições de laço fechado (mecanismos de quatro barras), contatos bilaterais e mapas de reset (eventos discretos) diretamente na otimização.
Parametrização Fisicamente Consistente: Uso de parametrizações baseadas em álgebra de Lie (Exponential-Eigenvalue) para parâmetros inerciais, garantindo que os parâmetros estimados correspondam a distribuições de massa realizáveis (massa positiva, momentos de inércia válidos).
Observabilidade de Atrito via Energia: Introdução de observações baseadas em energia para identificar parâmetros de atrito não linear sem sensores de torque diretos.
Solver Eficiente: Desenvolvimento de um solver de otimização escalável que preserva a estrutura do problema, permitindo identificação em robôs complexos com múltiplos graus de liberdade e contatos.

4. Resultados Experimentais

Os autores validaram o framework através de simulações e experimentos em hardware:

Simulações (Vários Robôs):
- Comparado com formulações de dinâmica direta, a dinâmica inversa mostrou convergência mais rápida e erros menores tanto na trajetória estimada quanto nos parâmetros inerciais.
- A inclusão de restrições de parâmetros (ex: simetria) reduziu significativamente o erro de identificação de parâmetros inerciais, especialmente em robôs simétricos (bipedes e quadrúpedes), sem sacrificar a precisão da trajetória.
- As observações baseadas em energia reduziram o erro de identificação de atrito em até 50% em vários sistemas (manipuladores, bípedes, quadrúpedes), demonstrando melhoria na observabilidade.
- O método proposto superou consistentemente métodos baseados em regressores clássicos (ID) e baseados em energia pura, especialmente sob níveis elevados de ruído.
Experimentos em Hardware (Unitree B1 + Braço Z1):
- O framework foi aplicado a um robô quadrúpede Unitree B1 com um braço Z1, equipado com um mecanismo de quatro barras na perna.
- O modelo identificado conseguiu prever os torques das juntas com alta precisão, resolvendo discrepâncias significativas presentes no modelo nominal (URDF), especialmente na junta KFE (joelho), onde o mecanismo de quatro barras é crítico.
- A identificação conjunta de atrito e inércia permitiu um controle de rastreamento superior em tarefas de locomoção em terrenos acidentados e escadas, demonstrando que o modelo identificado é fisicamente consistente e generaliza bem para tarefas além das trajetórias de excitação.

5. Significado e Impacto

Este trabalho representa um avanço significativo na identificação de sistemas robóticos complexos. Ao unificar a modelagem dinâmica, restrições físicas e informações energéticas em um único programa de otimização Bayesiana, o método:

Elimina a necessidade de pipelines desacoplados (separar localização e identificação).
Permite a construção de modelos de alta fidelidade para robôs com mecanismos complexos e contatos frequentes.
Fornece uma base sólida para o uso de modelos precisos em controladores de ponta, como Controle Preditivo Modelado (MPC) e Aprendizado por Reforço (RL), melhorando o desempenho em tarefas de locomoção e manipulação ágeis em ambientes desafiadores.

Em suma, a abordagem oferece um caminho escalável e fisicamente consistente para fechar a lacuna Sim2Real, garantindo que os modelos utilizados para controle reflitam com precisão a realidade física do robô, incluindo suas limitações e características de atrito.