Scalable Open-Source Visuotactile Sensor for 6-Axis Contact Wrench Estimation in Tensegrity Robots

Resumo Técnico: Sensor Visuotáctil Escalável de Código Aberto para Estimativa de Torção de Contato de 6 Eixos em Robôs de Tensegridade

Definição do Problema
Robôs de tensegridade, caracterizados por redes de estais rígidos e cabos de tração, oferecem altas relações resistência-peso e resiliência, tornando-os adequados para exploração e busca e salvamento. No entanto, seus altos graus de liberdade e dinâmicas não lineares complicam a estimativa de estado, que é crítica para o controle de feedback e locomoção. Os métodos proprioceptivos existentes dependem de sensores de deformação, encoders de cabos ou IMUs, mas carecem de medição direta e confiável de contato com o solo. As soluções atuais de sensoriamento de contato para robôs de tensegridade frequentemente sofrem com drift, histerese ou complexidade de fabricação. Além disso, embora o sensoriamento visuotáctil tenha avançado no manuseio robótico e na locomoção de pernas, escalar esses sensores para estruturas de tensegridade de grande escala (escala de metros) permanece desafiador devido às dificuldades de fabricação, à necessidade de adesivos que podem falhar sob impacto e à falta de designs robustos de código aberto.

Metodologia
Os autores propõem um sensor de endcap (extremidade) visuotáctil escalável e de código aberto, projetado especificamente para robôs de tensegridade. O sistema compreende três componentes mecânicos primários:

1. Casca de Elastômero: Uma casca complacente feita de Smooth-Sil™950 (Shore 50A) que forma a superfície de contato primária. Ela apresenta uma superfície interna com depressões rasas pintadas com pontos de marcador permanente para servir como marcadores visuais de rastreamento de deformação.
2. Interface de TPU: Uma camada de poliuretano termoplástico (TPU) impressa em 3D que conecta o elastômero à base rígida.
3. Base Rígida: Abriga uma câmera USB miniatura com uma lente fisheye de 180 graus e um anel de LED customizado para iluminação uniforme.

Uma inovação fundamental é a técnica de união por preenchimento gyroid. Em vez de usar adesivos, a interface de TPU impressa em 3D é impressa com um padrão de preenchimento contínuo (gyroid). Durante a fundição do elastômero, o silicone líquido flui para dentro desses preenchimentos abertos, criando um intertravamento mecânico durável após a cura. Isso elimina a necessidade de adesivos, que frequentemente falham sob tensão de cisalhamento ou tração.

Para o processamento de dados, o sistema utiliza uma rede neural tátil-para-torção (tactile-to-wrench). A entrada é um campo vetorial de cisalhamento denso de dois canais ($V \in \mathbb{R}^{2 \times H \times W}$) derivado da análise de fluxo óptico das imagens da câmera (usando métodos do GelSlim 4.0). A saída é uma torção de contato de seis dimensões ($w = [F_x, F_y, F_z, T_x, T_y, T_z]^\top$). O modelo utiliza um MLP (Perceptron Multicamadas) residual profundo treinado em um conjunto de dados de 34.368 amostras coletadas usando um braço robótico KUKA Med R820 e um sensor de força/torque ATI Gamma.

Principais Contribuições

• Design de Sensor Escalável: Um sensor de endcap de 130 mm de diâmetro que corresponde à escala de robôs de tensegridade de nível métrico, utilizando componentes de prateleira e impressão 3D de baixo custo.
• União Sem Adesivo: Um novo método de união mecânica usando preenchimento gyroid para unir o elastômero ao TPU, resultando em uma interface mais forte e consistente do que o adesivo tradicional (Sil-Poxy™), conforme verificado por testes de tração e descamação.
• Implementação de Código Aberto: O design, os arquivos CAD e o código são disponibilizados publicamente para facilitar a replicação e integração em várias plataformas de tensegridade.
• Estimativa de Torção de 6 Eixos: Uma rede neural leve capaz de mapear campos vetoriais de cisalhamento para torções completas de 6D, permitindo tanto a estimação de força quanto a detecção binária de contato.

Resultados Experimentais

• Resistência de União: Testes de tração e descamação demonstraram que a união mecânica gyroid fornece aproximadamente 25% mais resistência à tração e 300% mais resistência ao cisalhamento em comparação ao adesivo Sil-Poxy™, com menor variação.
• Validação Estática: Em um conjunto de validação não utilizado no treinamento, o modelo alcançou um Erro Quadrático Médio (MSE) de 0,1531. O modelo reproduziu com precisão as direções e magnitudes de força dominantes, sendo que a estimativa de força provou ser mais robusta que a estimativa de torque.
• Validação Dinâmica: Sob movimento dinâmico (trajetórias circulares), o MSE aumentou para 2,67. Embora a previsão de torque tenha mostrado maior variabilidade e atraso de fase devido às taxas de quadros da câmera e latência de processamento, o sistema rastreou com sucesso as principais tendências temporais de força.
• Integração do Sistema: O arranjo de sensores foi integrado a um robô de tensegridade de três barras e 12 kg. Em testes envolvendo configurações suspensas, de contato único, dois contatos e três contatos, o sistema identificou de forma confiável os contatos com o solo, com as estimativas de força dos endcaps em contato subindo bruscamente enquanto os endcaps sem contato permaneciam próximos de zero.

Significância e Alegações
O artigo afirma que este sistema melhora substancialmente a praticidade do feedback tátil para robôs de tensegridade, oferecendo um caminho de baixo custo, reproduzível e fisicamente interpretável para uma propriocepção consciente de contato. Ao fornecer restrições explícitas sobre quais endcaps estão ancorados ao solo, o sensor transforma problemas de estimativa de base flutuante em formulações mais restritas. Os autores posicionam este trabalho como um passo em direção à operação autônoma robusta em ambientes complexos, observando que, embora a estimação de torque exija refinamento adicional (por exemplo, via modelagem temporal), o sistema já fornece pistas binárias de contato confiáveis e estimativas de força úteis para estimativa de estado e controle. A natureza de código aberto do projeto é destacada como um meio para promover uma adoção mais ampla e a reprodutibilidade em sistemas robóticos complacentes.