Tensegrity Robot Endcap-Ground Contact Estimation with Symmetry-aware Heterogeneous Graph Neural Network

Resumo Técnico: Estimativa de Contato em Robôs de Tensegridade via Sym-HGNN

1. Problema e Motivação

Os robôs de tensegridade são estruturas leves e resilientes, ideais para exploração planetária e resposta a desastres devido à sua capacidade de absorver impactos e atravessar terrenos irregulares. No entanto, a estimativa de estado (posição, velocidade e deformação) nesses robôs é extremamente desafiadora devido à natureza distribuída e dinâmica de seus contatos com o solo.

• Desafio Principal: Diferente de robôs com pernas, onde o contato é estruturado e localizado nos pés, os robôs de tensegridade podem entrar em contato com o solo em qualquer nó ou haste (endcap).
• Limitação de Sensores: A integração de sensores de contato dedicados em todos os pontos de contato é impraticável, pois aumenta a complexidade mecânica, o cabeamento e interfere no roteamento dos cabos.
• Necessidade: É crucial inferir o estado de contato (quais endcaps estão tocando o solo) utilizando apenas sensores proprioceptivos (IMUs e comprimentos dos cabos) para alimentar filtros de estimativa de estado, como o InEKF (Invariant Extended Kalman Filter).

2. Metodologia Proposta: Sym-HGNN

Os autores propõem uma rede neural de grafos heterogêneos consciente de simetria (Sym-HGNN) para estimar o contato diretamente a partir de dados proprioceptivos.

• Representação em Grafo:

  • O robô é modelado como um grafo heterogêneo $G = (V, E)$ com três tipos de nós: Hastes (Rods), Tendões (Tendons) e Endcaps.
  • As arestas representam as conexões físicas (rígidas entre haste-endcap e elásticas entre tendão-endcap).
  • Entradas: Histórico temporal de aceleração linear e velocidade angular (IMU) e histórico de comprimento dos cabos.
  • Saída: Um vetor binário indicando se cada um dos 6 endcaps está em contato com o solo.

• Incorporação de Simetria ($D_3$):

  • A estrutura de tensegridade de 3 hastes exibe simetria diédrica $D_3$ (rotação de 120° e reflexão).
  • A arquitetura da rede incorpora explicitamente esse grupo de simetria no processo de passagem de mensagens.
  • Mecanismo de Equivariância: A rede processa as entradas através de transformações de simetria (rotação e reflexão), aplica a mesma função de passagem de mensagens (compartilhando pesos) e depois inverte as transformações. A média dos resultados garante que previsões geometricamente equivalentes sejam consistentes, independentemente da rotulação dos nós.

• Integração com Estimativa de Estado:

  • As previsões de contato da Sym-HGNN são utilizadas como medições de correção em um Filtro de Kalman Estendido Invariante (InEKF) auxiliado por contato, melhorando a precisão da estimativa de pose global.

3. Contribuições Principais

1. Framework Sym-HGNN: Desenvolvimento de uma rede neural baseada em grafos heterogêneos que não requer sensores de contato dedicados, inferindo o estado de contato apenas a partir de IMUs e comprimentos de cabos.
2. Exploração de Simetria Física: Integração da simetria $D_3$ na arquitetura da rede, o que atua como um regularizador implícito, reduzindo o espaço de hipóteses e melhorando a eficiência de amostragem e a generalização.
3. Validação Experimental: Demonstração de que a estimativa de contato aprendida pode ser integrada com sucesso em um pipeline de estimativa de estado (InEKF), resultando em estimativas de pose robustas e de baixa deriva.

4. Resultados Experimentais

Os experimentos foram realizados em simulação (MuJoCo) com ruído gaussiano adicionado aos sensores para mimetizar condições reais.

• Eficiência de Amostragem:

  • A Sym-HGNN foi treinada com apenas 20% dos dados de treinamento disponíveis.
  • Comparação: Superou significativamente as bases CNN e MI-HGNN (Grafo Heterogêneo sem simetria explícita).
  • Métricas: Alcançou até 15% de maior precisão e 5% de maior F1-score em comparação com as baselines, mesmo com menos dados.
  • Em cenários de generalização cruzada (treinamento em um subconjunto de movimentos e teste em todos), a Sym-HGNN manteve alta precisão (0.85–0.93) onde a CNN falhou drasticamente (0.07–0.10) com poucos dados.

• Generalização:

  • O modelo demonstrou robustez ao generalizar para raios de curva não vistos durante o treinamento, algo que as CNNs e MI-HGNNs não conseguiram fazer eficazmente apenas com aumento de dados.

• Estimativa de Pose (InEKF):

  • Ao integrar as previsões de contato no InEKF, a deriva final da pose foi de 6,02% (usando Sym-HGNN) comparado a 2,56% (usando contato ground-truth).
  • Isso demonstra que a estimativa aprendida é suficientemente precisa para substituir sensores físicos na maioria das aplicações de navegação, mantendo a consistência física.

• Ablação:

  • A melhor configuração foi encontrada com 8 camadas de passagem de mensagens e uma janela temporal de 100 frames, equilibrando precisão e custo computacional (inferência de ~34ms).

5. Significado e Conclusão

Este trabalho destaca o potencial da sensorização totalmente proprioceptiva para robôs de tensegridade. Ao alinhar a arquitetura de aprendizado de máquina com a simetria física intrínseca do robô, os autores conseguiram criar um sistema que:

• Elimina a necessidade de sensores de contato adicionais (reduzindo custo e complexidade).
• Oferece alta eficiência de dados, aprendendo com menos exemplos do que redes tradicionais.
• Fornece estimativas de estado robustas e consistentes, essenciais para o controle em tempo real e navegação autônoma em ambientes não estruturados.

Limitações e Futuro: O tempo de inferência ainda é um desafio para implantação em tempo real em hardware embarcado, e há uma taxa de falsos positivos que impacta levemente a precisão vertical. Trabalhos futuros focarão em reduzir a latência e realizar o ajuste fino (fine-tuning) com dados reais para fechar a lacuna simulação-realidade (sim-to-real).