🤖 AI

SoRoMoX: Fast, Differentiable, and Parallelizable Soft Robot Models

O SoRoMoX é um novo framework JAX, totalmente diferenciável e paralelizado em GPU, para modelagem de robótica suave que acelera significativamente a simulação e permite fluxos de trabalho de controle avançados — tais como identificação de sistemas, aprendizado por reforço e controle com restrições de segurança — ao superar as limitações computacionais das implementações existentes de hastes de Cosserat.

Autores originais: Maximilian Stölzle, Solange Gribonval, Daniel Feliu-Talegon, Vito Daniele Perfetta, Michele Martini, Chuhan Zhang, Kiwan Wong, Mohammed Tarnini, Anup Teejo Mathew, Federico Renda, Daniela Rus, Cosimo

Publicado 2026-08-10

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Maximilian Stölzle, Solange Gribonval, Daniel Feliu-Talegon, Vito Daniele Perfetta, Michele Martini, Chuhan Zhang, Kiwan Wong, Mohammed Tarnini, Anup Teejo Mathew, Federico Renda, Daniela Rus, Cosimo Della Santina

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os robôs não são feitos de engrenagens de metal rígidas e juntas estáticas, mas são confeccionados a partir de materiais macios e elásticos, como silicone, borracha ou até mesmo tecido vivo. Estes são os "robôs moles" (soft robots), e eles são incríveis porque conseguem se espremer por fendas minúsculas, manipular objetos frágeis como ovos sem quebrá-los, e se mover com uma graça fluida que máquinas rígidas apenas podem sonhar em ter. No entanto, há um porém: por serem tão maleáveis, eles são incrivelmente difíceis de controlar. Ao contrário de um braço robótico rígido que se move em linhas retas previsíveis, um robô mole se dobra, torce e deforma de milhões de maneiras diferentes ao mesmo tempo. É como tentar escrever um manual de instruções preciso para uma água-viva; se você puxa um tentáculo, todo o corpo ondula em uma dança complexa que é matematicamente caótica de prever. Por muito tempo, os cientistas tiveram a matemática correta para descrever essa maleabilidade, mas os programas de computador para realmente executar essa matemática eram lentos, pesados e não consegravam conversar facilmente com as ferramentas de aprendizado avançadas que os robôs modernos utilizam.

É aqui que uma nova ferramenta chamada SoRoMoX entra para salvar o dia. Pense no SoRoMoX como um tradutor superpotente e de alta velocidade que transforma a matemática complexa e ondulante dos robôs moles em uma linguagem que os computadores modernos podem entender e executar em uma velocidade relâmpago. Os pesquisadores por trás deste projeto construíram uma estrutura de software que não apenas simula um robô mole; ela torna a simulação "diferenciável", o que é uma maneira elegante de dizer que o computador consegue descobrir instantaneamente como ajustar a forma ou o movimento do robô para obter um resultado melhor, exatamente como um personagem de videogame aprendendo a pular mais alto ao tentar e falhar milhares de vezes em uma fração de segundo. Ao executar essas simulações em poderosas placas de vídeo (GPUs) e fazê-las em paralelo — como ter mil robôs virtuais praticando ao mesmo tempo, em vez de apenas um — a equipe mostrou que poderia tornar o controle de robôs moles até 234,6 vezes mais rápido do que os métodos anteriores. Essa velocidade desbloqueia novas possibilidades, permitindo que os robôs aprendam tarefas complexas, evitem bater nas coisas com muita força e até descubram suas próprias propriedades físicas (como o quão rígido é o seu corpo) apenas observando a si mesmos se moverem.

A Revolução dos Robôs Macios

Os robôs moles são os queridinhos do futuro porque são seguros e adaptáveis. Imagine um braço robótico feito de borracha que pode envolver gentilmente um morango maduro para colhê-lo, ou um robô semelhante a uma cobra que pode rastejar pelos escombros de um edifício desabado para encontrar sobreviventes. O problema é que controlar algo que se dobra e se estica como um macarrão é um pesadelo para os programas de computador tradicionais. No mundo dos robôs rígidos (como os braços em uma linha de montagem de carros), a matemática é direta: se você gira um motor uma certa quantidade, o braço se move uma distância específica. Mas com robôs moles, todo o corpo se deforma, criando uma teia caótica de forças.

Por anos, os cientistas desenvolveram teorias para descrever esse comportamento, frequentemente usando um conceito chamado "teoria da haste de Cosserat" (Cosserat-rod theory). Pense nisso como tratar o robô mole não como um bloco sólido, mas como uma haste flexível que pode dobrar, torcer e esticar. Embora a matemática exista para descrever isso, as ferramentas de software para realmente usá-la estavam presas no passado. Elas eram lentas, não conseguiam rodar nos chips de computador modernos super-rápidos e não funcionavam bem com os algoritmos de "aprendizado" que permitem que os robôs ensinem a si mesmos. Era como ter um motor de Ferrari (a matemática), mas tentar dirigi-lo com uma corrente de bicicleta (o software antigo).

Entra o SoRoMoX: O Demônio da Velocidade

O artigo apresenta o SoRoMoX (Soft Robot Models in JAX), uma nova estrutura de software projetada para corrigir esses gargalos. Os autores o construíram usando JAX, uma poderosa ferramenta de programação que permite aos computadores realizar operações matemáticas complexas de forma incrivelmente rápida, especialmente quando utilizam Unidades de Processamento Gráfico (GPUs) — os mesmos chips que alimentam os videogames e a IA.

Aqui está o que torna o SoRoMoX especial:

É Diferenciável: Este é o ingrediente mágico. Em termos simples, o software pode calcular não apenas onde o robô irá, mas como mudar suas configurações para levá-lo exatamente onde você deseja. É como ter um GPS que não apenas diz a rota, mas recalcula instantaneamente o melhor caminho se você encontrar um congestionamento, tudo enquanto você dirige.
É Paralelo: Em vez de simular um robô de cada vez, o SoRoMoX pode simular centenas ou milhares deles simultaneamente em uma única GPU. Isso é como ter uma sala de aula de alunos todos praticando uma coreografia de dança ao mesmo tempo, em vez de um único aluno praticando sozinho.
Está Pronto para o Controle: Ele fornece todos os números específicos que um controlador de robô precisa — como o peso do robô, como a gravidade atua sobre ele e como suas juntas se movem — para que os engenheiros possam construir melhores controladores sem reinventar a roda.

O Que a Equipe Descobriu

Os pesquisadores não apenas construíram a ferramenta; eles a submeteram a uma série de testes rigorosos para ver como ela se comparava às melhores ferramentas de software existentes.

Velocidade e Eficiência
Em seus testes, o SoRoMoX foi um vencedor claro. Ao executar simulações em um processador de computador padrão (CPU), ele foi até 18,1 vezes mais rápido que a alternativa atual de ponta chamada SoRoSim. Mas a verdadeira magia aconteceu quando mudaram para uma GPU. Ao executar simulações em paralelo, eles alcançaram um aumento de velocidade massivo de até 234,6 vezes. Isso significa que tarefas que costumavam levar horas poderiam ser feitas em minutos, ou até segundos.

Aprendizado e Otimização
A equipe usou essa velocidade para enfrentar problemas difíceis:

Descobrindo o Corpo do Robô: Eles testaram se o software poderia ajudar um robô a "aprender" suas próprias propriedades físicas, como a rigidez de seu material. Ao comparar o movimento real do robô com a simulação, eles puderam ajustar os parâmetros do modelo. Isso reduziu o erro na previsão da posição do rob em 66%.
Corrigindo os Momentos de "Erro": Mesmo com um modelo perfeito, os robôs reais possuem pequenos erros. A equipe usou o SoRoMoX para ensinar uma rede neural a prever esses erros residuais. Isso reduziu ainda mais o erro em outros 64%, tornando os movimentos do robô incrivelmente precisos.
Melhor Controle: Eles testaram diferentes estratégias de controle. Um controlador padrão "sem modelo" (que não conhece a física do robô) teve dificuldades. Mas quando usaram um controlador de "torque computado" (que utiliza o modelo físico completo), o erro de rastreamento caiu por um fator de aproximadamente 500. Este é um salto enorme em precisão.
Segurança em Primeiro Lugar: Uma das aplicações mais empolgantes foi a segurança. Eles programaram o robô para alcançar um alvo evitando bater em uma parede com muita força. Usando um algoritmo de segurança especial, eles mantiveram a força de contato abaixo de 5 Newtons (aproximadamente o peso de uma maçã pequena). Sem essa restrição de segurança, o robô atingiria uma força de 33,5 Newtons, o que poderia danificar objetos frágeis.
Aprendizado por Reforço: Finalmente, eles usaram a ferramenta para treinar um robô usando aprendizado por reforço (onde o robô aprende por tentativa e erro). Como o SoRoMoX podia executar milhares de tentativas de uma só vez, o treinamento foi até 7 vezes mais rápido do que usando métodos antigos e mais lentos.

A Conclusão

O SoRoMoX não é apenas uma calculadora mais rápida; é uma ponte que conecta o mundo complexo e maleável da robótica suave com o mundo de alta velocidade e orientado a dados da IA moderna e do controle. Ao tornar os modelos de robôs moles rápidos, diferenciáveis e fáceis de usar, os autores abriram as portas para robôs que podem aprender, adaptar-se e interagir com o mundo de maneiras que antes eram muito lentas ou difíceis de alcançar. Embora os resultados apresentados aqui sejam baseados em simulações, as melhorias dramáticas em velocidade e precisão sugerem que a próxima geração de robôs moles poderá em breve aprender a se mover com a graça e a inteligência de criaturas vivas.

Resumo Técnico: SoRoMoX – Modelos de Robôs Soft Rápidos, Diferenciáveis e Paralelizáveis

1. Declaração do Problema

Embora a modelagem de ordem reduzida para robôs soft baseada na teoria de hastes de Cosseras (especificamente as formulações de Deformação Constante por Pedaços [PCS] e Deformação Variável [VS]) tenha amadurecido, um gargalo significativo permanece na implantação do modelo. As implementações existentes frequentemente sofrem de três limitações críticas que dificultam sua integração em pipelines avançados de controle e aprendizado:

Falta de Diferenciabilidade: Elas não suportam diferenciação automática (AD) de ponta a ponta em relação a estados, entradas e parâmetros, impedindo seu uso em otimização baseada em gradiente, identificação de sistemas e aprendizado.
Ineficiência Computacional: São tipicamente limitadas à CPU, baseadas em código legado (ex: MATLAB), falhando em aproveitar aceleradores de hardware modernos (GPUs/TPUs) para execução paralela.
Interfaces Incompletas: Frequentemente funcionam como simuladores de "caixa-preta" que fornecem apenas trajetórias de rollout, carecendo de acesso direto a quantidades essenciais orientadas ao controle, como matrizes de inércia, Jacobianos, termos de Coriolis e mapas de atuação necessários para o controle baseado em modelo e filtragem de segurança.

Consequentemente, fluxos de trabalho comuns na robótica rígida — como identificação de sistemas em larga escala, otimização de trajetória, aprendizado por reforço (RL) e controle com restrição de segurança usando Funções de Barreira de Controle (CBFs) — permanecem impraticáveis ou impossíveis para robôs soft.

2. Metodologia: O Framework SoRoMoX

Os autores introduzem o SoRoMoX (Soft Robot Models in JAX), um framework Python/JAX totalmente numérico e compilável via Just-In-Time (JIT), projetado para preencher essa lacuna.

Arquitetura Central

Interface Unificada: O SoRoMoX implementa uma API comum para robôs articulados, modelos PCS e modelos de Deformação Variável Geométrica (GVS). Esta interface expõe:
- Cinemática: Cinemática direta $g(q, s)$ , Jacobianos $J(q, s)$ e derivadas temporais do Jacobiano $\dot{J}(q, \dot{q}, s)$ .
- Dinâmica: Matrizes de inércia $M(q)$ , termos de Coriolis/Centrífuga $C(q, \dot{q})$ , gravidade $G(q)$ , elasticidade $K(q)$ , amortecimento $D$ e mapas de atuação $A(q)$ .
- Simulação: Rollouts de malha aberta e malha fechada integrados com o solver de ODE Diffrax.
Stack Computacional: Construído sobre o JAX, o framework suporta:
- Diferenciação Automática (AD): Diferenciação em relação a estados, entradas e parâmetros físicos.
- Compilação JIT: Otimização de kernels para execução em CPU, GPU e TPU.
- Vetorização: Execução em lote massivamente paralela (via jax.vmap) para simular milhares de ambientes simultaneamente.
Famílias de Modelos:
- Robôs Soft Articulados: Cadeias seriais com juntas complacentes ou atuadores soft (ex: músculos McKibben).
- Robôs de Continuidade:
  - PCS: Deformação constante dentro de segmentos, utilizando cinemática de forma fechada para eficiência.
  - GVS: Deformação variável aproximada por funções de base, permitindo modos de deformação mais complexos enquanto mantém uma estrutura de ODE de dimensão finita.
Integração de Controle: O framework inclui controladores baseados em modelo empacotados (PID, Controle de Torque Computado, Controle de Impedância) e suporta transformações de coordenadas para espaços operacionais e de atuação.

Detalhes de Implementação

Tratamento de Singularidades: O código lida explicitamente com singularidades removíveis (ex: $0/0$ em exponenciais de grupos de Lie) usando lógica condicional (lax.cond) para garantir que os gradientes permaneçam bem definidos próximo a configurações retas ou comprimento de arco zero.
Avaliação Consciente da Estrutura: O sistema distingue entre modelos especializados (ex: PCS planar) e formulações gerais, utilizando álgebra de menor dimensão e mapas de forma fechada onde possível para reduzir o overhead computacional.
Extensibilidade: Usuários podem herdar de classes base para definir robôs personalizados sobrescrevendo parâmetros específicos (geometria, propriedades de materiais, roteamento de atuação) sem reescrever todo o motor de dinâmica.

3. Principais Contribuições

Primeiro Framework de Base de Haste Diferenciável e Paralelizável em GPU: O SoRoMoX é o primeiro framework que implementa modelos PCS e GVS que roda nativamente em GPUs/TPUs e é totalmente diferenciável em relação a todos os componentes do modelo.
API Pronta para Controle: Fornece uma interface unificada para todas as quantidades exigidas por algoritmos de controle baseado em modelo, eliminando a necessidade de bases de código separadas para simulação e controle.
Benchmarks de Desempenho:
- CPU Sequencial: Até 18,1× mais rápido que alternativas de estado da arte (SoRoSim) para rollouts sequenciais.
- GPU Paralela: Até 234,6× maior throughput via execução em lote na GPU comparado a baselines de CPU.
Estudos de Caso Abrangentes: O artigo demonstra a utilidade do framework através de seis domínios de aplicação distintos:
- Identificação de sistema de equilíbrio estático.
- Aprendizado de força residual.
- Controle baseado em modelo (Torque Computado, Impedância).
- Otimização de ganhos de controle.
- Controle com restrição de segurança usando Funções de Barreira de Controle de Alta Ordem (HOCBFs).
- Aprendizado por Reforço (RL) paralelo.

4. Resultados Experimentais

O artigo valida o SoRoMoX através de benchmarks quantitativos e estudos de caso de aplicação:

Identificação de Sistema: Usando otimização baseada em gradiente em dados de equilíbrio estático, o framework identificou parâmetros físicos (módulo de Young, razão de Poisson, densidade) para um braço movido por tendões, reduzindo o erro quadrático médio (RMSE) de marcadores em 66% (de 56,9 mm para 19,3 mm).
Aprendizado Residual: Ao aprender forças generalizadas residuais para corrigir o erro do modelo, o RMSE foi reduzido em mais 64% em relação ao modelo identificado, atingindo um erro final de ~6,9 mm.
Controle Baseado em Modelo:
- Torque Computado (CT): O rastreamento por CT reduziu o RMSE por um fator de aproximadamente 500 em comparação com o controle PD sem modelo.
- Otimização de Ganho: A sintonia automatizada de ganhos reduziu a perda de controle em até 62% comparado a ganhos não sintonados.
Controle com Restrição de Segurança: Em uma tarefa exigindo contato com obstáculos, um controlador consciente de segurança (HOCLF+HOCBF) conseguiu manter as forças de contato de pico dentro de um limite de 5 N, enquanto um controlador não consciente de segurança excedeu esse limite ao atingir 33,5 N.
Aprendizado por Reforço: O treinamento de uma política para um braço soft usando rollouts paralelos em uma única GPU foi 7× mais rápido que um baseline PyElastica baseado em CPU (usando 512 ambientes paralelos).

5. Significância e Alegações

Os autores afirmam que o SoRoMoX representa uma mudança de paradigma no software de robótica soft, transferindo o padrão de fluxo de trabalho "diferenciável e baseado em aceleradores" da robótica rígida para o domínio da robótica soft.

Preenchendo a Lacuna: O artigo argumenta que o principal gargalo não é mais a derivação de modelos, mas sua implantação. O SoRoMoX preenche essa lacuna ao tornar modelos de ordem reduzida diretamente utilizáveis em pipelines de otimização e aprendizado de larga escala.
Habilitando Novos Fluxos de Trabalho: Os ganhos de desempenho permitem fluxos de trabalho anteriormente considerados impraticáveis, como filtragem de segurança em tempo real com funções de barreira de alta ordem e treinamento de políticas de RL em minutos, em vez de dias.
Reprodutibilidade e Padronização: Ao fornecer uma interface aberta, bem documentada e pronta para o controle, os autores visam facilitar o benchmarking, a reprodutibilidade e o compartilhamento de designs de robôs entre a comunidade. Eles sugerem que o campo se beneficiaria de um formato de descrição de robô padronizado (análogo ao URDF) para robôs contínuos, direção que o SoRoMoX apoia através de seu design modular.

O artigo conclui que as escolhas de design de software moderno — especificamente diferenciação automática, execução em lote e aceleração de hardware — podem ampliar substancialmente as aplicações práticas dos modelos de robôs soft, movendo-os de constructos teóricos para ferramentas de controle e aprendizado do mundo real.