TacSE3: Equivariant SE(3) Motion Estimation from Low-Texture Visuotactile Images for In-Gripper Tracking and Compensation

Resumo Técnico: TacSE3 – Estimativa de Movimento SE(3) Equivariante a partir de Imagens Visuotáteis de Baixa Textura

Declaração do Problema
A manipulação robótica intra-mão frequentemente encontra cenários onde o rastreamento visual falha devido a oclusões ou à falta de características visuais salientes. Embora os Sensores Visuotáteis Baseados em Visão (VBTS) ofereçam uma alternativa promissora para interações ricas em contato, os pipelines convencionais de estimativa de movimento que dependem de textura da imagem, rastreamento de marcadores ou fluxo óptico denso lutam com objetos de baixa textura ou simétricos (por exemplo, esferas polidas). Nessas condições, movimentos rotacionais sutis induzem mudanças mínimas na aparência, tornando os métodos baseados em correspondência pouco confiáveis. Além disso, configurações de sensor único frequentemente sofrem de ambiguidade entre movimentos translacionais e rotacionais, pois ambos podem produzir padrões de deformação local semelhantes. O artigo aborda o desafio de construir uma estimativa de movimento SE(3) confiável diretamente a partir de imagens táteis de baixa textura, sem depender de correspondência explícita de textura.

Metodologia: Pipeline TacSE3
O método proposto, TacSE3, reformula a imagem tátil não como uma entrada visual texturizada, mas como uma medição geométrica de contato. O pipeline prossegue através das seguintes etapas:

1. Construção de Campo de Força 3D Desacoplado:
   Em vez de rastrear características da imagem, o método processa observações táteis brutas para reconstruir um campo de força 3D denso. Utilizando um VBTS de padrão de cor denso (especificamente DM-Tac), o sistema decompõe a resposta tátil em componentes tangenciais (cisalhamento) e normais. Isso é alcançado via decomposição de Helmholtz–Hodge do campo de deslocamento planar, separando componentes sem rotacional (divergência) e sem divergência (rotacional) para derivar distribuições espaciais de forças normais e de cisalhamento.

2. Geração de Pontos de Contato e Proxy de Movimento:
   O sistema identifica regiões de contato ativo com base na resposta normal significativa. Para cada pixel válido, um ponto de contato 3D é construído no quadro tátil local. As respostas de força tangencial e normal são calibradas para servir como um proxy de velocidade local, aproximando o movimento instantâneo do ponto de contato.

3. Estimativa de Corpo Rígido SE(3):
   Os proxies de velocidade local são modelados usando uma equação de torção de corpo rígido ($v = \omega \times q + t$). O processo de estimativa emprega uma estratégia de desacoplamento específica:

   • Translação: A translação planar é derivada estritamente do movimento do centróide de contato no plano do sensor, em vez de ser ajustada conjuntamente com a rotação.
   • Rotação: A rotação é estimada separadamente, ajustando as restrições de movimento relacionadas ao cisalhamento ao modelo de corpo rígido.
     Essa separação evita o mau condicionamento frequentemente encontrado em problemas de mínimos quadrados acoplados de translação-rotação e fornece um sinal fisicamente interpretável.

4. Integração Temporal e Equivariância:
   A torção instantânea estimada é integrada ao longo do tempo usando o mapa exponencial na variedade SE(3) para produzir uma trajetória de pose contínua. O método garante consistência de coordenadas equivariante: o movimento estimado é definido no quadro do efetuador final, garantindo que o mesmo movimento subjacente do objeto produza estimativas consistentes, independentemente de mudanças na pose global do robô ou na localização específica do contato no sensor.

5. Fusão de Sensores Duplos:
   Para resolver a ambiguidade translação-rotação, o sistema utiliza dois sensores táteis montados em dedos de garra opostos. Ao aplicar uma transformação de matriz de sinal para levar em conta os quadros de coordenadas espelhados, o sistema funde as estimativas de torção. Isso permite que o sistema distinga entre movimento translacional (que produz direções de força consistentes entre os sensores) e movimento rotacional (que produz padrões de força opostos).

6. Integração de Controle Residual:
   O movimento SE(3) estimado é tratado como um resíduo geométrico tátil. Ele é fundido com uma política base existente (por exemplo, Agrupamento de Ações com Transformers) como um sinal de pós-processamento leve ($u_{final} = u_{policy} + \Delta u_{tactile}$) para refinar as ações do robô sem re-treinar a política base.

Principais Contribuições

• Formulação de Estado Geométrico: O artigo formula a estimativa tátil-para-SE(3) para sensoriamento de baixa textura como um problema de estimativa de estado geométrico centrado no movimento local de corpo rígido, afastando-se do ajuste de correspondência dependente de textura.
• Desacoplamento de Campo de Força: Propõe um pipeline que desacopla observações táteis brutas em um campo de força 3D e reconstrói a torção de corpo rígido via um modelo SE(3) fundamentado fisicamente, separando especificamente a translação baseada no centróide da rotação baseada no cisalhamento.
• Redução de Ambiguidade com Sensores Duplos: O trabalho demonstra que configurações de sensores duplos reduzem significativamente a ambiguidade entre translação e rotação em comparação com configurações de sensor único.
• Compensação Leve: O método fornece um sinal de rotação que pode ser anexado como um módulo de pós-processamento para melhorar a tolerância a perturbações em tarefas de manipulação a jusante, sem modificar a política de controle base.

Resultados Experimentais
Os experimentos foram conduzidos utilizando um robô UR5 equipado com sensores DM-Tac duplos:

• Precisão de Rotação: Sob rotações controladas de uma bola agarrada (30°, 60°, 90°) em três eixos ($r_x, r_y, r_z$), o método alcançou erros angulares médios variando de ~3° para rotações de 30° a ~12° para rotações de 90°. O crescimento do erro é atribuído ao desvio de integração e à não linearidade de contato em ângulos maiores.
• Sensor Único vs. Duplo: Em testes de movimento puramente translacional, a configuração de sensor único exibiu desvio de rotação significativo (aproximadamente 9–10°), enquanto a configuração de sensor duplo reduziu esse desvio para aproximadamente 1,1–1,5°, demonstrando desacoplamento eficaz.
• Generalização: O método manteve taxas de erro baixas (2,6°–4,0%) em diversos objetos com geometrias variadas (esferas, cilindros, formas irregulares) e texturas de superfície (lisas, texturizadas, madeira, plástico), confirmando robustez a condições pobres em textura.
• Desempenho no Nível da Política: Em tarefas envolvendo perturbações induzidas por humanos (Desenho, Inserção de Engrenagem, Pino no Furo), a ativação do pós-processador tátil melhorou as taxas de sucesso sob interferência em comparação com a política base isolada (por exemplo, a Inserção de Engrenagem melhorou de 20% para 35% de sucesso sob interferência).

Significado e Alegações
O artigo alega que o TacSE3 oferece uma ponte geométrica prática entre o sensoriamento visuotátil de baixa textura e a manipulação rica em contato dentro da garra. Ao priorizar a geometria de contato sobre a aparência da imagem, o método alcança estimativa de movimento confiável onde métodos visuais ou táteis baseados em textura tradicionais falham. Os autores enfatizam que a abordagem não destina-se a substituir a visão global ou fornecer estimativa completa de estado de nível de objeto para objetos novos ao longo de horizontes longos. Em vez disso, serve como um módulo robusto, interpretável e leve para rastreamento e compensação de movimento local, particularmente valioso para objetos lisos, simétricos ou ocluídos onde a visão é pouco confiável. A natureza equivariante da saída garante que o sinal permaneça consistente para o controle a jusante, independentemente da localização específica do contato ou da pose do robô.