Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs

Resumo Técnico: Estimativa de Força de Múltiplos Contatos para Robôs Contínuos via Grafos de Fatores Parametrizados por Gaussianas

Definição do Problema
Robôs contínuos oferecem vantagens significativas na navegação em ambientes não estruturados e confinados devido à sua complacência inerente. No entanto, a operação segura nesses cenários exige a estimativa precisa de forças de contato externas atuando em locais desconhecidos ao longo do corpo do robô. Estimar essas forças é um problema mal condicionado, particularmente quando múltiplos contatos ocorrem simultaneamente. As abordagens existentes enfrentam limitações específicas: métodos de estimativa de força na extremidade falham quando ocorrem colisões ao longo do comprimento do robô; métodos baseados em cinemática frequentemente escalam mal com o número de contatos; e modelos de estática determinísticos são vulneráveis ao ruído dos sensores. Além disso, estimar forças em cada nó discreto de um modelo contínuo (estimativa nó a nó) cria um problema severamente mal posto devido ao mapeamento subdeterminado de forças distribuídas para a forma da espinha dorsal.

Metodologia
Os autores propõem uma estrutura unificada de estimativa de forma e força formulada em um grafo de fatores. O núcleo da metodologia envolve três componentes principais:

1. Modelo de Cosserat Parametrizado por Gaussianas: Os autores incorporam uma parametrização de mistura gaussiana em um modelo de haste de Cosserat probabilístico e discretizado. Em vez de estimar um vetor de força em cada nó, a força externa distribuída $f_e(s)$ é parametrizada como uma soma de $M$ funções de base gaussianas normalizadas. Esta abordagem reduz a dimensionalidade das forças externas desconhecidas e mitiga o mau condicionamento do problema de estimativa. A parametrização permite que o modelo represente tanto cargas pontuais quanto cargas distribuídas ao variar o desvio padrão ($\sigma$) das gaussianas. Os centros dessas gaussianas são restritos dentro do comprimento de arco do robô usando uma transformação tangente hiperbólica.
2. Formulação de Grafo de Fatores: O problema de estimativa de estado é formulado como uma estimativa de Máxima Posteriori (MAP) dentro de uma arquitetura de grafo de fatores. Este framework funde probabilisticamente dados de sensores multimodais com o modelo estático do robô. O grafo inclui:
   • Fatores de Mecânica: Impondo cinemática discreta, relações constitutivas (de deformação-rigidez) e equações de equilíbrio de torque estático.
   • Fatores de Medição: Incorporando observações de tensão de tendão, deformação local (ex: de sensores FBG) e pose (ex: de rastreadores eletromagnéticos).
   • Fatores de Prior e Fronteira: Regularizando o problema com condições de contorno de base/extremidade e um prior de média zero nas amplitudes de força para lidar com a natureza mal posta do problema inverso.
3. Estratégia de Estimativa Progressiva: Para tarefas de navegação dinâmica com um número desconhecido de contatos, os autores introduzem uma variante progressiva. O estimador inicializa com uma única base gaussiana. Conforme o robô navega, se a magnitude estimada de uma base ativa exceder um limiar predefinido, uma nova função de base é anexada dinamicamente ao vetor de estado. Para garantir a estabilidade numérica, o framework inclui uma penalidade de força axial (para evitar divergência em poses retas) e uma penalidade de separação espacial (para evitar que múltiplos centros de base colapsem no mesmo local).

Principais Contribuições

• Estrutura Unificada: Uma novel formulação de grafo de fatores que estima simultaneamente a forma do robô e múltiplas forças de contato externas.
• Redução de Dimensionalidade: O uso de parametrização de mistura gaussiana para reduzir os parâmetros de força desconhecidos, abordando o mau condicionamento inerente à estimativa nó a nó.
• Robustez ao Ruído: A formulação probabilística modela explicitamente as incertezas de sensores e de modelagem, demonstrando robustez superior em comparação com modelos determinísticos.
• Tratamento de Contato Sequencial: Um algoritmo progressivo que adapta a complexidade do modelo (número de funções de base) sob demanda durante a operação, adequado para tarefas de navegação em espaços confinados.

Resultados
Simulações numéricas foram conduzidas usando SoroSim para validar o método proposto contra duas linhas de base: um estimador de nó discreto (Linha de Base 1) e um método de parametrização gaussiana determinística (Linha de Base 2).

• Cenários de Contato Único: Em condições sem ruído, o método proposto alcançou um erro médio de localização de 3,47 mm, comparável à Linha de Base 2 (3,5 mm) e significativamente melhor que a Linha de Base 1 (9 mm). Sob condições ruidosas (ruído de posição de 1 mm, ruído de deformação de 0,1 rad/m), o método proposto permaneceu robusto com um erro de localização de 8,74 mm. Em contraste, a Linha de Base 2 degradou para 20,1 mm, e a Linha de Base 1 para 36,68 mm. O método proposto também manteve uma localização de força nítida (espalhamento de 12 mm) comparado às estimativas amplamente borradas da Linha de Base 1.
• Cenários de Múltiplos Contatos: Em testes de estimativa de duas forças, o método proposto superou a Linha de Base 1 na localização da segunda força, particularmente sob ruído. Enquanto a Linha de Base 1 produziu picos espúrios e grandes erros máximos de localização (até 82,47 mm com ruído), o método proposto limitou o erro máximo em 48,32 mm e resolveu corretamente dois picos gaussianos distintos.
• Navegação em Espaços Confinados: Em uma tarefa simulada de navegar um robô contínuo através de uma caixa rígida, o estimador progressivo identificou com sucesso contatos sequenciais. Ele inicializou com uma base, detectou o primeiro contato com a parede e adicionou dinamicamente uma segunda base para capturar o estado de duplo contato conforme o robô interagia com uma segunda parede.

Significância e Alegações
O artigo afirma que o framework proposto aborda efetivamente a natureza mal posta da estimativa de força de múltiplos contatos em robôs contínuos. Ao reduzir a dimensionalidade das forças desconhecidas através de parametrização gaussiana e fundir dados multissensoriais via grafo de fatores, o método alcança maior precisão e robustez ao ruído de sensores do que as abordagens existentes de nó a nó ou determinísticas. Os autores enfatizam que sua abordagem permite a navegação segura em ambientes desconhecidos ao fornecer estimativas confiáveis de localização e magnitude de contato sem exigir mapas ambientais explícitos ou sensores visuais. O trabalho é apresentado como um passo em direção ao controle em malha fechada, onde as forças estimadas podem suportar desvio de obstáculos reativo e controle de força, embora a implementação atual dependa de um modelo quase-estático.