Introducción
Estas limitaciones dan lugar a NeSAM (Neuro-Symbolic Soil Adaptive Mobility), un método que combina representaciones aprendidas del terreno, terramecánica diferenciable de Bekker–Wong y un modelo residual basado en Transformer. El componente de terramecánica aporta una estructura para modelar suelos deformables y parámetros físicos adaptables, mientras que el residual aprendido compensa las discrepancias sistemáticas entre la predicción analítica y el movimiento observado del vehículo. Las principales contribuciones de este trabajo se resumen a continuación:
- Presentamos un marco de cinemática dinámica neuro-simbólica que integra terramecánica diferenciable de Bekker–Wong, representaciones aprendidas del terreno y cinemática dinámica residual basada en Transformer para predecir, a largo plazo, el movimiento del vehículo en seis grados de libertad sobre terrenos deformables.
- Desarrollamos un método de adaptación del suelo en línea basado en EKF, que actualiza parámetros de terramecánica físicamente interpretables a partir de las diferencias entre el movimiento previsto y el medido del vehículo.
- Evaluamos la predicción autorregresiva a largo plazo en simulación basada en Chrono y mediante trayectorias de vehículos reales, comparándola con modelos de aprendizaje conscientes del terreno y modelos que no lo tienen en cuenta.
- Validamos la adaptación del suelo en línea mediante navegación en lazo cerrado, tanto en simulación como en una plataforma física Verti-4-Wheeler.
Trabajos relacionados
En esta sección se revisan trabajos previos sobre terramecánica e identificación del suelo, modelado de la movilidad todoterreno basado en aprendizaje y adaptación en línea de la cinemática dinámica de vehículos.
Cinemática dinámica todoterreno basada en aprendizaje
La movilidad todoterreno basada en aprendizaje ha evolucionado desde los modelos inversos y las políticas de control de extremo a extremo hasta los modelos directos de cinemática dinámica para la planificación predictiva. Los modelos inversos de cinemática dinámica aprenden correcciones de control a partir de datos del movimiento del vehículo, mientras que el aprendizaje por imitación transforma directamente las observaciones a bordo en órdenes de dirección y aceleración. En cambio, los modelos directos aprendidos predicen estados futuros del vehículo y, por tanto, pueden incorporarse a controladores predictivos basados en modelos.
Estos métodos difieren en sus representaciones del estado, modalidades de observación del terreno y estructuras de predicción, pero todos tratan el terreno como una superficie rígida, y los efectos dependientes del terreno se codifican principalmente mediante características aprendidas desde cero. No consideran de forma explícita las variables del suelo dependientes de la carga que gobiernan el hundimiento y el cizallamiento en terrenos deformables, ni proporcionan los parámetros físicos correspondientes para la adaptación del suelo en línea.
Adaptación en línea y cinemática dinámica híbrida
Los simuladores diferenciables ofrecen otra vía para integrar la física con el aprendizaje y se han aplicado a la identificación de sistemas, el control y el modelado residual en sistemas de cuerpos rígidos y blandos. Sin embargo, los trabajos existentes no han abordado conjuntamente la predicción en seis grados de libertad condicionada por el terreno, la mecánica diferenciable de suelos deformables y la adaptación de parámetros de suelo interpretables dentro de un marco de planificación todoterreno.
Método
NeSAM predice el movimiento del vehículo acoplando el modelado aprendido de las interacciones condicionadas por el terreno con la terramecánica diferenciable. Un Transformer codifica el historial reciente de interacciones entre el vehículo y el terreno. Una cabeza de predicción del hundimiento estima los hundimientos de las ruedas necesarios para el modelo de terramecánica, mientras que una cabeza residual del estado predice una única corrección, a nivel del chasis, al incremento de estado basado en la física.
Los hundimientos predichos, junto con las velocidades angulares de las ruedas disponibles para el modelo y la estimación actual del suelo, determinan las fuerzas de interacción entre las ruedas y el terreno mediante terramecánica diferenciable. Estas fuerzas se propagan a través de la cinemática dinámica de Newton–Euler, y el residual aprendido del estado corrige la predicción resultante del estado del vehículo.
Aprendizaje y adaptación de NeSAM
Los componentes aprendidos de NeSAM se optimizan mediante predicción autorregresiva en varios pasos. Partiendo de el estado inicial del vehículo y el historial de entradas disponible, se genera la evolución durante múltiples pasos temporales futuros aplicando recursivamente el modelo de transición de estados de NeSAM.
En este caso, la observación del terreno alineada con el estado predicho es la observación del terreno que utiliza el modelo, y el prior semántico correspondiente del suelo es la información asociada sobre el suelo. Así, cada estado predicho se utiliza para construir la entrada posterior del modelo sin acceder al estado real futuro.
El modelo se entrena mediante un objetivo de evolución en varios pasos, donde el error ponderado de predicción del estado del vehículo mide el error de predicción y el factor de ponderación del paso de la evolución controla la contribución de cada paso. Los gradientes se propagan a través del predictor del suelo, las cabezas de predicción del Transformer, la terramecánica diferenciable y el modelo de cinemática dinámica de Newton–Euler, mientras que los codificadores del terreno preentrenados permanecen fijos.
Experimentos
NeSAM se evalúa desde dos perspectivas complementarias. En primer lugar, se evalúa la precisión del modelado de la cinemática dinámica a largo plazo frente a referencias del estado del arte basadas en aprendizaje, tanto en simulación como en experimentos físicos. En segundo lugar, se evalúa el efecto de la adaptación del suelo en línea de NeSAM mediante el seguimiento de trayectorias en lazo cerrado, comparando el mismo modelo NeSAM con y sin adaptación del suelo basada en EKF. Esta última evaluación sirve como ablación de la adaptación, no como comparación con otras referencias de cinemática dinámica.
Los experimentos se llevan a cabo en el simulador Verti-Bench y en el banco de pruebas físico todoterreno Verti-Arena.
NeSAM se compara con un predictor Transformer puro de extremo a extremo y con TAL utilizando conjuntamente observaciones de elevación y semánticas, configuración denominada TAL Elevation and Semantics, o utilizando cada modalidad por separado. También se evalúan dos ablaciones de NeSAM:
- NeSAM sin residual del estado: elimina la rama residual aprendida del estado.
- NeSAM sin hundimiento: suprime el hundimiento predicho de las ruedas, conservando el resto de la canalización neuro-simbólica.
Conclusión
NeSAM es un marco neuro-simbólico de modelado de la cinemática dinámica para la movilidad todoterreno sobre terrenos deformables. Al combinar representaciones aprendidas del terreno, la predicción de variables físicamente significativas de interacción entre ruedas y terreno, la terramecánica diferenciable de Bekker–Wong y un residual aprendido del estado, NeSAM mejora la predicción a largo plazo del movimiento del vehículo, tanto en simulación como en experimentos físicos.
Cuando se integra con MPPI, la adaptación del suelo en línea basada en EKF mejora aún más el seguimiento de trayectorias en lazo cerrado al refinar los parámetros del suelo a partir del movimiento observado del vehículo conforme cambian las condiciones del terreno.
Una limitación actual es que NeSAM presupone que la interacción entre las ruedas y el terreno puede representarse adecuadamente mediante la formulación de terramecánica de Bekker–Wong subyacente. Aunque la adaptación en línea puede refinar los parámetros del suelo asociados, no puede modificar por sí misma las relaciones constitutivas entre presión y hundimiento, ni las relaciones de cizallamiento. En consecuencia, los comportamientos del terreno que se aparten considerablemente de estos supuestos pueden seguir siendo difíciles de modelar incluso después de adaptar los parámetros.
En trabajos futuros se estudiarán modelos diferenciables del terreno más ricos y correcciones físicas aprendidas capaces de relajar estos supuestos estructurales, manteniendo al mismo tiempo la interpretabilidad y adaptabilidad del marco neuro-simbólico.
Preguntas frecuentes
¿Qué es NeSAM? NeSAM es un marco neuro-simbólico de cinemática dinámica para predecir el movimiento de vehículos todoterreno sobre terrenos deformables.
¿Cómo modela NeSAM la interacción con el suelo? Combina los hundimientos predichos de las ruedas, las estimaciones del suelo, las velocidades angulares de las ruedas y la terramecánica diferenciable de Bekker–Wong para determinar las fuerzas de interacción entre las ruedas y el terreno.
¿Qué hace la adaptación del suelo en línea? Un EKF actualiza parámetros de terramecánica físicamente interpretables utilizando las diferencias entre el movimiento previsto y el medido del vehículo.
¿Dónde se evaluó NeSAM? NeSAM se evaluó en el simulador Verti-Bench, mediante trayectorias de vehículos reales y en el banco de pruebas físico todoterreno Verti-Arena.