💻 computer science

NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility

O artigo apresenta o NeSAM, um framework neuro-simbólico que integra a terramecânica diferenciável de Bekker-Wong com dinâmica residual aprendida e estimativa online de parâmetros do solo para melhorar significativamente a precisão da predição cinodinâmica de veículos fora de estrada e o desempenho de navegação em terrenos deformáveis.

Autores originais: Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

Publicado 2026-08-24

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

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

Dirigir um veículo em uma estrada pavimentada e plana é um assunto previsível. As rodas agarram a superfície, o motor as faz girar e o carro avança exatamente como as leis da física em uma superfície rígida ditam. Mas leve esse mesmo veículo para fora do pavimento e para um campo de terra macia, areia solta ou lama irregular, e as regras mudam instantaneamente. O solo não é mais um palco sólido, mas um participante vivo e mutável. À medida que uma roda pressiona para baixo, ela afunda na terra; conforme gira, ela corta o solo lateralmente. Essas deformações criam forças que puxam o veículo para fora da trajetória, fazendo-o deslizar, inclinar ou ficar preso de maneiras que comandos simples de direção não conseguem corrigir facilmente. Para que robôs e veículos autônomos naveguem nesses ambientes acidentados com segurança, eles devem ser capazes de prever não apenas para onde estão indo, mas como o solo abaixo deles reagirá ao seu peso e movimento. Sem essa previsão, um veículo pode planejar um caminho que parece livre em um mapa, mas que leva a um sulco profundo ou a uma perda súbita de controle no momento em que toca o solo.

Pesquisadores há muito tentam resolver este problema usando duas abordagens diferentes. Um método baseia-se em equações de física clássica que descrevem como o solo se comporta sob pressão, utilizando parâmetros como rigidez e fricção para calcular forças. Embora esses modelos sejam fundamentados na mecânica do mundo real, eles frequentemente lutam para capturar a realidade complexa e desordenada da suspensão de um veículo, da deformação dos pneus e das peculiaridades específicas de um determinado trecho de terreno. O outro método utiliza inteligência artificial para aprender com dados, observando como um veículo se move e tentando adivinhar o próximo passo. Esses modelos baseados em aprendizado são flexíveis, mas frequentemente atuam como "caixas pretas", oferecendo pouca compreensão sobre o porquê de um veículo estar deslizando ou afundando, e podem falhar ao serem confrontados com condições de solo que nunca viram antes. Nenhum dos dois métodos, isoladamente, foi suficiente para fornecer tanto alta precisão quanto uma compreensão clara das forças físicas em jogo.

Para preencher essa lacuna, uma equipe de pesquisadores desenvolveu um novo sistema chamado NeSAM, que significa Neuro-Symbolic Soil Adaptive Mobility (Mobilidade Adaptativa de Solo Neuro-Simbólica). Este framework não escolhe entre física e aprendizado; em vez disso, ele os tece em um único modelo coeso. O sistema opera olhando primeiro para o terreno à frente, usando câmeras para ver tanto o formato do solo quanto de que material ele é feito, como grama, terra ou areia. Em seguida, utiliza um componente especializado baseado em mecânica de solos estabelecida para estimar o quanto as rodas irão afundar e como o solo resistirá ao movimento do veículo. Isso fornece uma base sólida, baseada na física, para a previsão. No entanto, como as condições do mundo real raramente são perfeitas, o sistema também emprega um modelo de "resíduo" baseado em aprendizado. Pense nisso como um mecanismo de ajuste fino que aprende as pequenas diferenças sistemáticas entre o que as equações da física preveem e o que o veículo realmente faz, corrigindo a estimativa para corresponder à realidade.

O verdadeiro poder do NeSAM reside em sua capacidade de se adaptar em tempo real. À medida que o veículo se move, o sistema compara constantemente suas previsões com o movimento real observado. Se o veículo afundar mais do que o esperado ou deslizar mais do que o modelo previu, o sistema utiliza um filtro matemático para atualizar sua compreensão interna das propriedades do solo. Ele efetivamente pergunta: "Se o solo está se comportando desta maneira, quais devem ser os parâmetros do solo?" e então ajusta seu modelo de acordo. Isso permite que o veículo aprenda sobre o solo específico que está atravessando conforme avança, refinando suas previsões para os próximos segundos de viagem. Os pesquisadores testaram este sistema de duas formas: primeiro, em uma simulação de computador altamente detalhada que mimetiza a física complexa da interação entre solo e veículo e, segundo, em um robô físico de quatro rodas dirigindo em um percurso de teste do mundo real com terrenos variados.

Os resultados mostraram que esta abordagem híbrida superou significativamente os métodos existentes. Nas simulações de computador, o NeSAM reduziu os erros de previsão em até 30 por cento em comparação com os melhores modelos alternativos. Quando testado no robô físico, melhorou a precisão em quase 29 por cento. Mais importante ainda, o sistema provou seu valor quando o veículo teve que navegar por um caminho onde as condições do solo eram diferentes daquelas para as quais havia sido treinado. Nesses cenários desafiadores, a versão do sistema sem adaptação de solo falhou em completar o percurso na maioria das tentativas, muitas vezes perdendo o controle ou ficando preso. Em contraste, a versão adaptativa completou com sucesso a grande maioria de suas corridas, mantendo o veículo muito mais próximo de sua trajetória pretendida e mantendo uma orientação mais estável. Ao combinar a confiabilidade das leis físicas com a flexibilidade do aprendizado de máquina, o NeSAM oferece uma maneira robusta para veículos autônomos compreenderem e navegarem pelo mundo imprevisível e deformável do deslocamento fora de estrada.

Resumo Técnico: NeSAM – Cinemodinâmica Neuro-Simbólica com Adaptação de Solo para Mobilidade Off-Road

Declaração do Problema
A previsão precisa do movimento de veículos off-road sobre terrenos deformáveis é desafiadora devido às complexas interações envolvendo afundamento (sinkage), deslizamento (slip) e tração, que variam com as condições locais do solo. Modelos cinemáticos planos convencionais falham em considerar o afundamento dependente da pressão e a deformação por cisalhamento, levando a discrepâncias entre o movimento previsto e o realizado. Embora os modelos clássicos de terramecânica (ex: Bekker-Wong) ofereçam interpretabilidade física, eles dependem de relações constitutivas prescritas que podem não capturar efeitos específicos do veículo, como a complacência da suspensão ou a deformação do pneu, e seus parâmetros de solo são difíceis de estimar e variam em terrenos heterogêneos. Por outro lado, modelos cinodinâmicos puramente baseados em aprendizado podem capturar não linearidades complexas, mas frequentemente tratam o terreno como rígido, carecem de representação explícita da mecânica do solo e oferecem interpretabilidade física limitada, dificultando a adaptação online.

Metodologia
Os autores propõem o NeSAM (Neuro-Symbolic Soil Adaptive Mobility), um framework que integra terramecânica diferenciável com representações de terreno aprendidas e um modelo de dinâmica residual baseado em Transformer. O sistema opera através dos seguintes componentes:

Arquitetura Neuro-Simbólica:
- Entrada: O modelo recebe estados do veículo ( $x_t$ ), entradas de controle ( $u_t$ ) e observações locais do terreno ( $m_t$ ), consistindo em patches de elevação ( $m^e_t$ ) e patches semânticos ( $m^s_t$ ).
- Codificação de Terreno: Autoencoders U-Net separados processam dados de elevação e semânticos para produzir representações latentes. Uma cabeça de prior semântico de solo ( $h_\theta$ ) mapeia características semânticas para parâmetros nominais de solo ( $\bar{\theta}_t$ ).
- Codificador Transformer: Um Transformer causal processa uma sequência de tokens de interação (combinando estados passados, controles e contextos de terreno) para capturar dependências temporais.
- Predição de Cabeça Dupla:
  - Cabeça de Afundamento (Sinkage Head): Prediz os afundamentos das rodas ( $\hat{s}_t$ ) com base no histórico de interação, fornecendo as variáveis de deformação necessárias para o modelo de terramecânica.
  - Cabeça de Resíduo de Estado: Prediz uma correção ao nível do chassi ( $\Delta x^{res}_t$ ) para contabilizar erros sistemáticos não capturados por modelos analíticos (ex: dinâmica de suspensão, transferência de carga).
- Terramecânica Diferenciável: Os afundamentos preditos, velocidades angulares das rodas e estimativas atuais de solo instanciam um modelo Bekker-Wong diferenciável para calcular as forças de contato roda-terreno ( $f^{BW}_{i,t}$ ).
- Propagação Newton-Euler: Estas forças são agregadas e propagadas através de equações Newton-Euler para gerar um incremento de estado baseado em física ( $\Delta x^{NE}_t$ ).
- Predição Final: O próximo estado é computado como $\hat{x}_{t+1} = x_t + \Delta x^{NE}_t + \Delta x^{res}_t$ .
Adaptação de Solo Online:
- Durante a implantação, os componentes neurais aprendidos permanecem fixos.
- Um Filtro de Kalman Estendido (EKF) atualiza os parâmetros do solo ( $\theta$ ) online.
- O EKF utiliza um buffer de velocidades observadas do veículo versus velocidades preditas para refinar a correção do solo ( $\Delta \theta$ ), permitindo que o sistema se adapte a discrepâncias entre o prior semântico do solo e as condições reais do terreno.

Principais Contribuições

Framework Neuro-Simbólico: Uma arquitetura inovadora que integra terramecânica Bekker-Wong diferenciável, representações de terreno aprendidas e dinâmica residual baseada em Transformer para predição de movimento de longo horizonte e seis graus de liberdade (6-DoF).
Adaptação Online: Um método baseado em EKF que atualiza parâmetros de terramecânica fisicamente interpretáveis usando a discrepância entre o movimento previsto e o medido, permitindo a adaptação a solos heterogêneos sem retreinar a rede neural.
Avaliação Abrangente: Validação tanto no simulador Chrono-based Verti-Bench quanto em uma plataforma física Verti-4-Wheeler, demonstrando melhorias sobre as linhas de base de aprendizado de última geração e estudos de ablação que confirmam a necessidade tanto do ramo residual quanto da predição de afundamento.

Resultos Experimentais
O artigo avalia o NeSAM contra preditores Transformer puro end-to-end e variantes de Aprendizado Atento ao Terreno (TAL):

Simulação (Verti-Bench): O NeSAM reduziu os erros de predição em até 30% em comparação com as bases mais fortes. Especificamente, reduziu os erros de x, y e z para 0,80m, 0,78m e 0,06m, respectivamente, e o erro de guinada (yaw) para 4,18°.
Experimentos Físicos (Verti-Arena): O NeSAM melhorou a precisão da predição em 29% em dados do mundo real em relação às bases, reduzindo os erros de x, y e z em 17,1%, 15,7% e 36,8%, respectivamente, comparado a uma base Transformer.
Controle de Malha Fechada: Quando integrado a um controlador de Integral de Caminho de Modelo Preditivo (MPPI) sob condições de solo fora da distribuição (OOD):
- Simulação: A adaptação de solo online aumentou a conclusão de trajetória de 0/5 para 4/5 e reduziu a distância de Hausdorff em relação à trajetória de referência em 69,4%.
- Físico: As taxas de conclusão melhoraram de 1/5 para 3/5, com erros médios absolutos de rolagem (roll) e arfagem (pitch) reduzidos em 21,2% e 23,0%, respectivamente.

Significância e Alegações
Os autores alegam que o NeSAM aborda as limitações dos métodos existentes ao modelar explicitamente a mecânica do solo enquanto retém a flexibilidade do aprendizado baseado em dados. A significância reside na capacidade de:

Fornecer predições fisicamente interpretáveis que consideram efeitos de terreno deformável (afundamento, cisalhamento) que modelos de superfície rígida perdem.
Permitir a adaptação online de parâmetros de solo, permitindo que o veículo mantenha o rastreamento preciso de trajetória mesmo quando as propriedades do solo diferem do prior semântico (condições OOD).
Alcançar superioridade na precisão de predição de longo horizonte tanto em simulação quanto em cenários do mundo real, facilitando o planejamento preditivo mais confiável para mobilidade off-road.

O artigo reconhece uma limitação: o framework assume que as interações roda-terreno podem ser adequadamente representadas pela formulação Bekker-Wong. Embora os parâmetros possam ser adaptados, as relações constitutivas subjacentes não podem ser modificadas, potencialmente limitando o desempenho em terrenos que divirjam significativamente dessas suposições. Sugere-se que trabalhos futuros explorem modelos de terreno diferenciáveis mais ricos.

Mais como este