Learning Control as Enabling Layer for Embodied Intelligence Research explored with Soft Robotic Swimming in diverse Flow Speeds

Resumo Técnico: Aprendizado de Controle como uma Camada Facilitadora para Inteligência Incorporada em Natação Robótica Soft

Definição do Problema
Plataformas robóticas soft são valiosas para estudar a locomoção ondulatória corpo-caudal e testar hipóteses biomecânicas (robofísica). No entanto, seus corpos complacentes são difíceis de controlar com precisão sob carregamento hidrodinâmico variável. O controle de feedback proporcional-integral-derivativo (PID) convencional pode estabilizar a ondulação periódica em água estática, mas falha em fluxo dinâmico. Especificamente, o PID acumula atrasos de rastreamento dependentes do fluxo e um aumento na variabilidade entre ensaios devido às não linearidades do sistema. Essa variabilidade obscurece os efeitos da morfologia e do fluxo ambiental, tornando difícil atribuir diferenças de empuxo ou estabilidade a parâmetros físicos específicos em vez de ruído induzido pelo controle. Embora o controle baseado em aprendizado tenha surgido como um complemento ao PID para robôs soft com parâmetros incertos, implementações anteriores de Esquemas de Estimativa de Aprendizado Repetitivo Linear (LRLES) foram validadas apenas em água estática. Restava saber se tais esquemas poderiam manter a precisão de rastreamento e a repetibilidade sob carregamento hidrodinâmico dinâmico.

Metodologia
Os autores avaliaram uma arquitetura de controle que aumenta um controlador PID padrão com um Esquema de Estimativa de Aprendizado Repetitivo Linear (PID-LRLES) em uma plataforma de peixe robô soft.

• Plataforma: O robô apresenta uma estrutura corpo-caudal complacente atuada por músculos pneumáticos suaves pareados e é instrumentado com um sensor de curvatura capacitivo soft incorporado. O sensor fornece feedback proprioceptivo em tempo real a 1 kHz, medindo a deformação corporal real em vez de depender de comandos de malha aberta.
• Arquitetura de Controle:
  • Baseline: Um controlador PID de ganho fixo convencional, ajustado em água estática.
  • Proposto: PID-LRLES, que adiciona um termo de aprendizado em paralelo ao bloco PID. Este esquema generaliza a ação integral clássica para referências periódicas (não constantes). Ele utiliza uma realização de espaço de estados de dimensão finita (usando aproximações de Padé para atrasos) para estimar e compensar distúrbios periódicos ciclo a ciclo. A função de transferência de aprendizado é projetada com polos que possuem partes reais negativas para evitar a instabilidade de longo prazo típica dos controles repetitivos clássicos.
• Configuração Experimental: Os experimentos foram conduzidos em um tanque de fluxo recirculante em cinco velocidades de fluxo volumétrico variando de 0 a 32,6 cm s⁻¹ (números de Reynolds de até ~7,5 × 10⁴).
• Protocolo: Os ganhos do controlador foram ajustados uma única vez em água estática e mantidos fixos em todas as condições de fluxo para isolar a contribuição do termo de aprendizado. Cada ensaio envolveu uma etapa de malha fechada de 30 segundos onde o robô rastreou uma referência de envelope de curvatura periódica. Cinco repetições independentes foram registradas por condição para ambos os controladores.
• Métricas: A precisão de rastreamento foi quantificada pelo Erro Quadrático Médio (RMSE) do envelope de curvatura. A repetibilidade foi avaliada via dispersão inter-ensaio do RMSE, analisada usando um teste de postos sinalizados de Wilcoxon pareado.

Principais Contribuições

1. Validação sob Fluxo Dinâmico: O estudo fornece uma avaliação completa do PID-LRLES sob fluxo dinâmico controlado, demonstrando que o controle de aprendizado melhora não apenas a precisidade de rastreamento, mas também a robustez e a repetibilidade de experimentos de natação.
2. Integração de Propriocepção Soft: O trabalho integra o feedback proprioceptivo soft incorporado (sensor de curvatura capacitivo) em um sistema de controle de malha fechada, permitindo que o controlador observe a deformação corporal real e o viés hidrodinâmico periódico induzido pelo fluxo.
3. Redução da Variabilidade: Os autores demonstram uma redução significativa na variabilidade do erro de rastreamento em comparação com o controle PID convencional, mesmo com ganhos fixos.
4. Camada Facilitadora para Robofísica: A abordagem é posicionada como uma camada facilitadora para futuros estudos de robofísica, permitindo que pesquisadores isolem os efeitos de morfologia, sensoriamento e fluxo ambiental ao minimizar a variabilidade induzida pelo controle.

Resultados

• Precisão de Rastreamento: Enquanto o baseline PID manteve a oscilação estável, ele exibiu um atraso de rastreamento crescente e déficit de amplitude conforme a velocidade do fluxo aumentava (desvio de pico subindo de ~0,02 rad a 0 cm/s para ~0,04 rad a 32,6 cm/s). Em contraste, o PID-LRLES rastreou a referência mais de perto em todas as velocidades, mantendo o envelope dentro de ±0,015 rad da referência mesmo na velocidade de fluxo mais alta após um período transiente.
• Variabilidade do Erro: O RMSE médio para o PID-LRLES foi menor que o do PID em todas as velocidades de fluxo. Crucialmente, o baseline PID mostrou um aumento monotônico no RMSE médio com a velocidade do fluxo, enquanto o PID-LRLES mostrou uma dependência muito mais plana (subindo apenas de 0,015 para 0,018 rad).
• Significância Estatística: Um teste de postos sinalizados de Wilcoxon pareado nas distribuições de RMSE por ensaio (agrupadas em cinco velocidades de fluxo, $n_{pares}=25$) confirmou que o PID-LRLES reduziu significativamente a variabilidade do erro de rastreamento em comparação com o baseline PID ($p = 1,8 \times 10^{-4}$).
• Robustez: O termo de aprendizado absorveu efetivamente o componente recorrente do distúrbio hidrodinâmico, removendo o desvio ciclo a ciclo que o PID de ganho fixo não conseguia compensar.

Significância e Alegações
O artigo afirma que, ao reduzir a variabilidade induzida pelo controle dependente do fluxo, a abordagem PID-LRLES fornece uma camada facilitadora robusta para estudos de robofísica. Especificamente:

• Permite que diferenças observadas em empuxo, torque de arfagem ou estabilidade de natação sejam confiadamente atribuídas à morfologia ou ao fluxo ambiental, em vez de artefatos de controle.
• Demonstra que o controle de malha fechada com aprendizado aprimorado pode funcionar efetivamente com ganhos ajustados apenas em água estática, removendo o fardo da recalibração por fluxo.
• Destaca a natureza complementar do sensoriamento soft e do aprendizado repetitivo: o sensor expõe o viés hidrodinâmico periódico, enquanto o termo de aprendizado absorve esse viés ao longo dos ciclos de oscilação passados.
• A arquitetura é computacionalmente eficiente (22 estados), permitindo a implantação em hardware de tempo real embarcado de baixa potência sem suporte a GPU, tornando-a adequada para robôs soft autônomos não amarrados.

Os autores observam limitações, incluindo o teste em uma única frequência de batimento, o uso de um mastro rígido (impedindo testes de natação livre) e a restrição ao rastreamento de envelope em vez de métricas diretas de empuxo ou eficiência. No entanto, eles afirmam que a repetibilidade cinemática demonstrada é um pré-requisito necessário para comparações hidrodinâmicas confiáveis entre diferentes morfologias.