Resumo Técnico: Planejamento de Movimento Follow-the-Leader Baseado em Amostragem para Robôs Contínuos Montados em Manipuladores

1. Formulação do Problema

O artigo aborda o problema de planejamento de movimento para o movimento Follow-the-Leader (FTL) em Robôs Contínuos (CRs) montados em manipuladores robóticos com poses de base totalmente atuadas de 6 graus de liberdade (6-DOF) ($SE(3)$).

• Contexto: O FTL é um primitivo de movimento crítico onde o corpo do robô retraceia o caminho de sua ponta, minimizando forças laterais sobre tecidos ou estruturas circundantes. Embora extensivamente estudado para robôs tipo serpente, agulhas steeráveis e robôs de tubos concêntricos, os métodos existentes para CRs acionados por tendões (TDCRs) geralmente assumem uma base fixa ou uma inserção linear de um único grau de liberdade (1-DOF).
• A Lacuna: Implementações práticas envolvem cada vez mais a montagem de CRs em manipuladores seriais (por exemplo, braços cirúrgicos, robôs de inspeção industrial). Isso introduz uma pose de base de 6-DOF que deve ser coordenada com a configuração interna do robô ($Q$).
• O Desafio: O espaço de configuração combinado ($K = SE(3) \times Q$) é de alta dimensão e não linear. Abordagens existentes frequentemente dependem de modelos cinemáticos simplificados (por exemplo, Curvatura Constante por Trechos, PCC) e otimização iterativa (por exemplo, solucionadores de cinemática inversa). Esses métodos sofrem de:
  • Sensibilidade à inicialização e convergência para mínimos locais.
  • Incapacidade de utilizar modelos forward complexos e precisos (por exemplo, haste de Cosserat, FEM, redes neurais) devido ao custo computacional.
  • Falta de garantias formais quanto à completude da solução ou precisão do rastreamento da ponta.

Objetivo: Dado um conjunto ordenado de pontos de passagem 3D $W$, gerar um plano de movimento contínuo onde a ponta do robô rastreie o caminho exatamente, e o corpo inserido minimize o desvio do caminho, otimizando conjuntamente a configuração do CR e a pose de base de 6-DOF.

2. Metodologia

Os autores propõem um framework baseado em amostragem que desacopla a busca global de forma da interpolação local e da determinação da pose de base. A inovação central é uma construção geométrica de forma fechada que determina unicamente a pose de base de 6-DOF para qualquer forma candidata, eliminando a necessidade de otimização iterativa durante o planejamento online.

A. Geração de Biblioteca Offline

• Uma biblioteca de formas é pré-calculada offline amostrando uniformemente o espaço de configuração do CR, $Q$.
• Para cada amostra, um modelo forward geral (FM) computa os pontos discretizados da espinha dorsal.
• Isso transfere o ônus computacional de modelos cinemáticos complexos para a fase offline, permitindo o uso de modelos impraticáveis para otimização online.
• Agrupamento (Clustering): Para reduzir a complexidade da busca online de $O(N_{lib})$ para $O(\sqrt{N_{lib}})$, as formas são agrupadas com base na similaridade pairwise. Durante a execução, o planejador avalia primeiro os centros dos clusters e, em seguida, realiza uma busca exaustiva no cluster de melhor correspondência.

B. Alinhamento de Pose de Base Online (Construção Geométrica)

Para cada ponto de passagem $w_i$ e uma forma candidata $S$ da biblioteca, a pose de base $T_b \in SE(3)$ é determinada por meio de três transformações sequenciais para alinhar a forma ao caminho ativo:

1. Translação: Transladar a forma para que a ponta ($p_D$) coincida exatamente com o ponto de passagem atual $w_i$.
2. Rotação em torno da Ponta: Rotacionar a forma em torno de $w_i$ para alinhar o vetor do ponto da forma ativa à ponta com a direção do caminho.
3. Rotação Axial: Resolver o grau de liberdade rotacional restante (torção) alinhando um terceiro ponto de correspondência (baseado na razão do comprimento de arco) ao caminho.

Propriedade Chave: Esta construção garante o posicionamento exato da ponta ($p_D = w_i$) por design, independentemente da forma selecionada, sem solução iterativa.

C. Avaliação e Seleção de Forma

• O desvio entre a forma transformada e o caminho ativo é computado usando uma distância de Chamfer simétrica.
• A forma que minimiza esse desvio é selecionada. O processo é paralelizável em toda a biblioteca.
• A configuração selecionada $(q, T_b)$ forma um plano de movimento esparsos.

D. Interpolação Local

Para gerar uma trajetória contínua para implantação:

• Pré-alinhamento por Simetria Radial: Configurações consecutivas são pré-alinhadas rotacionando-as para uma direção de referência comum, explorando a simetria radial do CR para minimizar descontinuidades de orientação.
• Interpolação Suave: Configurações intermediárias são geradas interpolando linearmente os estados das juntas e usando SLERP para a orientação da ponta.
• Reconstrução da Pose de Base: Para cada etapa de interpolação, a pose de base é construída usando o inverso da pose da ponta do modelo forward em relação à pose da ponta interpolada desejada. Isso garante que o rastreamento exato da ponta seja mantido durante todas as etapas de interpolação.

3. Garantias Teóricas

O artigo estabelece garantias formais que estão tipicamente ausentes em abordagens baseadas em otimização:

1. Completude de Resolução: À medida que o tamanho da biblioteca $N_{lib} \to \infty$, a probabilidade de encontrar um plano válido (se existir) aproxima-se de 1. Isso depende da continuidade de Lipschitz da métrica de desvio de forma.
2. Rastreamento Exato da Ponta por Construção: O alinhamento geométrico garante que a ponta esteja exatamente no ponto de passagem em cada etapa discreta.
3. Convergência Assintótica de Rastreamento da Ponta: À medida que o número de etapas de interpolação aumenta, o desvio máximo da ponta em relação ao caminho linear entre os pontos de passagem desaparece ($O(1/h^2)$).

4. Resultados Experimentais

O método foi avaliado em três configurações:

A. Modelo PCC vs. Linha de Base de Otimização

• Configuração: 120 caminhos em três classes (curvas em C, curvas em S, curvas de robô). Comparado contra uma linha de base de otimização L-BFGS-B.
• Resultados:
  • Erro da Ponta: 0% para o método proposto (vs. ~1,2% para a otimização).
  • Desvio de Forma: A variante de busca linear superou a linha de base de otimização (por exemplo, 1,25% vs 1,74% para curvas em C).
  • Eficiência: A variante agrupada reduziu o tempo de computação em mais de uma ordem de magnitude (por exemplo, ~1,8s vs ~40s) com perda mínima na precisão da forma.

B. Simulação MuJoCo (Modelo de Corpo Pseudo-Rígido)

• Configuração: Utilizado um modelo PRB identificado no sistema com 30 elos rígidos e juntas elásticas para simular deformação realista e acoplamento de segmentos.
• Resultados: Alcançou 0% de erro na ponta. O desvio de forma foi ligeiramente maior (~2,5–3,2%) devido à complexidade do modelo, mas permaneceu competitivo, demonstrando escalabilidade para modelos forward complexos.

C. Demonstração em Hardware

• Configuração: Um CR acionado por tendões de 3 segmentos montado em um manipulador Franka de 7-DOF.
• Resultados: O robô executou com sucesso movimentos FTL coordenados.
  • Erro da Ponta: Erros observados no hardware (média de 5,5%–9,1%) foram atribuídos à lacuna entre o modelo identificado no sistema e a realidade física (estiramento do tendão, atrito, histerese) e não à falha do planejador.
  • Validação: Os resultados em hardware confirmaram que o planejador gera trajetórias suaves e executáveis que alcançam movimento FTL qualitativamente correto.

5. Significado e Alegações

O artigo alega apresentar o primeiro método de planejamento de movimento FTL para robôs contínuos com uma base $SE(3)$ totalmente atuada que fornece garantias formais de planejamento.

• Desacoplamento: A principal contribuição é o desacoplamento da busca de forma da determinação da pose de base. Ao resolver a pose de base geometricamente, o método evita os mínimos locais e os gargalos computacionais da otimização iterativa em espaços de alta dimensão.
• Agnosticismo de Modelo: O framework suporta qualquer modelo forward (PCC, Cosserat, FEM, Redes Neurais) ao transferir o cálculo pesado para o offline.
• Praticidade: Ele preenche a lacuna entre o planejamento teórico e a implantação prática em sistemas montados em manipuladores, oferecendo um trade-off principiado entre velocidade (via agrupamento) e precisão.
• Segurança e Previsibilidade: As garantias teóricas (completude de resolução e rastreamento exato da ponta) abordam requisitos críticos de segurança onde comportamentos imprevisíveis do planejador são inaceitáveis.

Os autores notam limitações, incluindo a suposição de um modelo forward independente da pose da base (ignorando efeitos da gravidade) e a falta de otimização de forma em toda a trajetória, sugerindo essas como direções para trabalhos futuros.