Imagine tener un brazo robótico suave y continuo doblado alrededor de un racimo de uvas o brócoli, ajustando su agarre en tiempo real a medida que levanta el objeto. A diferencia de los robots rígidos tradicionales que generalmente intentan evitar el contacto con el medio ambiente tanto como sea posible y mantenerse alejados de los humanos por razones de seguridad, este brazo detecta fuerzas sutiles, estirándose y flexionándose de maneras que imitan más la flexibilidad de una mano humana. Cada uno de sus movimientos está calculado para evitar una fuerza excesiva y al mismo tiempo realizar la tarea de manera eficiente. En los laboratorios del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y del Laboratorio de Sistemas de Información y Decisiones (LIDS) del MIT, estos movimientos aparentemente simples son la culminación de matemáticas complejas, ingeniería cuidadosa y una visión de robots que pueden interactuar de manera segura con humanos y objetos delicados.
Los robots blandos, con sus cuerpos deformables, prometen un futuro en el que las máquinas se mueven con mayor fluidez junto a las personas, ayudan en el cuidado o manipulan artículos delicados en entornos industriales. Sin embargo, esa misma flexibilidad los hace difíciles de controlar. Pequeñas curvas o torsiones pueden producir fuerzas impredecibles, aumentando el riesgo de daños o lesiones. Esto motiva la necesidad de estrategias de control seguras para robots blandos.
“Inspirándonos en los avances en el control seguro y los métodos formales para robots rígidos, nuestro objetivo es adaptar estas ideas a la robótica blanda, modelando su comportamiento complejo y adoptando, en lugar de evitar, el contacto, para permitir diseños de mayor rendimiento (por ejemplo, mayor carga útil y precisión) sin sacrificar la seguridad o la inteligencia incorporada”, dice el autor principal y profesor asistente del MIT Gioele Zardini, investigador principal en LIDS y el Departamento de Ingeniería Civil y Ambiental, y profesor afiliado del Instituto de Datos, Sistemas y Sociedad (IDSS). “Esta visión es compartida por el trabajo reciente y paralelo de otros grupos”.
Seguridad ante todo
El equipo desarrolló un nuevo marco que combina la teoría de control no lineal (sistemas de control que involucran dinámicas altamente complejas) con técnicas avanzadas de modelado físico y optimización eficiente en tiempo real para producir lo que llaman “seguridad consciente del contacto”. En el centro del enfoque se encuentran las funciones de barrera de control de alto orden (HOCBF) y las funciones de control de Lyapunov de alto orden (HOCLF). Los HOCBF definen límites operativos seguros, lo que garantiza que el robot no ejerza fuerzas inseguras. Los HOCLF guían al robot de manera eficiente hacia los objetivos de su tarea, equilibrando la seguridad con el rendimiento.
“Básicamente, estamos enseñando al robot a conocer sus propios límites cuando interactúa con el entorno y al mismo tiempo lograr sus objetivos”, dice Kiwan Wong, estudiante de doctorado del Departamento de Ingeniería Mecánica del MIT, autor principal de un nuevo artículo que describe el marco. “El enfoque implica una derivación compleja de la dinámica suave del robot, modelos de contacto y restricciones de control, pero la especificación de los objetivos de control y las barreras de seguridad es bastante sencilla para el profesional, y los resultados son muy tangibles, ya que se ve al robot moviéndose suavemente, reaccionando al contacto y nunca causando situaciones inseguras”.
“En comparación con los CBF cinemáticos tradicionales, donde los conjuntos seguros invariantes hacia adelante son difíciles de especificar, el marco HOCBF simplifica el diseño de la barrera y su formulación de optimización tiene en cuenta la dinámica del sistema (por ejemplo, la inercia), lo que garantiza que el robot blando se detenga lo suficientemente temprano para evitar fuerzas de contacto inseguras”, dice Wei Xiao, profesor asistente del Instituto Politécnico de Worcester y ex postdoctorado de CSAIL.
“Desde que surgieron los robots blandos, el campo ha resaltado su inteligencia incorporada y su mayor seguridad inherente en relación con los robots rígidos, gracias al material pasivo y el cumplimiento estructural. Sin embargo, su inteligencia “cognitiva” -especialmente los sistemas de seguridad- se ha quedado atrás de la de los manipuladores rígidos de enlace en serie”, dice el coautor principal Maximilian Stölzle, investigador interno en Disney Research y ex estudiante de doctorado de la Universidad Tecnológica de Delft e investigador visitante en MIT LIDS y CSAIL. “Este trabajo ayuda a cerrar esa brecha adaptando algoritmos probados a robots blandos y adaptándolos para un contacto seguro y una dinámica continua suave”.
El equipo de LIDS y CSAIL probó el sistema en una serie de experimentos diseñados para desafiar la seguridad y adaptabilidad del robot. En una prueba, el brazo presionó suavemente contra una superficie flexible, manteniendo una fuerza precisa sin sobrepasarse. En otro, trazó los contornos de un objeto curvo, ajustando su agarre para evitar el deslizamiento. En otra demostración más, el robot manipuló objetos frágiles junto con un operador humano, reaccionando en tiempo real a empujones o cambios inesperados. “Estos experimentos muestran que nuestro marco es capaz de generalizarse a diversas tareas y objetivos, y que el robot puede detectar, adaptarse y actuar en escenarios complejos respetando siempre límites de seguridad claramente definidos”, afirma Zardini.
Por supuesto, los robots blandos con seguridad sensible al contacto podrían ser un valor agregado real en lugares de alto riesgo. En el ámbito de la atención sanitaria, podrían ayudar en las cirugías, proporcionando una manipulación precisa y reduciendo al mismo tiempo el riesgo para los pacientes. En la industria, podrían manipular mercancías frágiles sin una supervisión constante. En entornos domésticos, los robots podrían ayudar con las tareas domésticas o de cuidado, interactuando de forma segura con niños o ancianos, un paso clave para convertir a los robots blandos en socios confiables en entornos del mundo real.
“Los robots blandos tienen un potencial increíble”, dice la coautora principal Daniela Rus, directora de CSAIL y profesora del Departamento de Ingeniería Eléctrica e Informática. “Pero garantizar la seguridad y codificar tareas de movimiento a través de objetivos relativamente simples siempre ha sido un desafío central. Queríamos crear un sistema en el que el robot pueda permanecer flexible y receptivo al tiempo que garantiza matemáticamente que no excederá los límites de fuerza seguros”.
Combinando modelos de robots blandos, simulación diferenciable y teoría de control
Detrás de la estrategia de control hay una implementación diferenciable de algo llamado modelo dinámico de segmentos cosserat por partes (PCS), que predice cómo se deforma un robot blando y dónde se acumulan las fuerzas. Este modelo permite que el sistema anticipe cómo responderá el cuerpo del robot a la actuación y a interacciones complejas con el entorno. “El aspecto que más me gusta de este trabajo es la combinación de integración de herramientas nuevas y antiguas provenientes de diferentes campos, como modelos avanzados de robots blandos, simulación diferenciable, teoría de Lyapunov, optimización convexa y restricciones de seguridad basadas en la gravedad de las lesiones. Todo esto está muy bien combinado en un controlador en tiempo real totalmente basado en los primeros principios”, dice el coautor Cosimo Della Santina, profesor asociado en la Universidad Tecnológica de Delft.
Complementando esto está el Teorema del Eje de Separación Conservador Diferenciable (DCSAT), que estima distancias entre el robot blando y los obstáculos en el entorno que pueden aproximarse con una cadena de polígonos convexos de manera diferenciable. “Las métricas de distancia diferenciables anteriores para polígonos convexos no podían calcular la profundidad de penetración (esencial para estimar las fuerzas de contacto) o arrojaban estimaciones no conservadoras que podrían comprometer la seguridad”, dice Wong. “En cambio, la métrica DCSAT arroja estimaciones estrictamente conservadoras y, por lo tanto, seguras, al mismo tiempo que permite un cálculo rápido y diferenciable”. Juntos, PCS y DCSAT le dan al robot una sensación predictiva de su entorno para interacciones más proactivas y seguras.
De cara al futuro, el equipo planea ampliar sus métodos a robots blandos tridimensionales y explorar la integración con estrategias basadas en el aprendizaje. Al combinar la seguridad basada en el contacto con el aprendizaje adaptativo, los robots blandos podrían manejar entornos aún más complejos e impredecibles.
“Esto es lo que hace que nuestro trabajo sea apasionante”, afirma Rus. “Se puede ver al robot comportándose de manera cuidadosa y similar a la humana, pero detrás de esa gracia hay un marco de control riguroso que garantiza que nunca sobrepase sus límites”.
“Por lo general, es más seguro interactuar con robots blandos que con robots de cuerpo rígido por diseño, debido a las propiedades de cumplimiento y absorción de energía de sus cuerpos”, dice el profesor asistente de la Universidad de Michigan, Daniel Bruder, que no participó en la investigación. “Sin embargo, a medida que los robots blandos se vuelven más rápidos, más fuertes y más capaces, es posible que eso ya no sea suficiente para garantizar la seguridad. Este trabajo supone un paso crucial para garantizar que los robots blandos puedan operar de forma segura al ofrecer un método para limitar las fuerzas de contacto en todo su cuerpo”.
El trabajo del equipo fue apoyado, en parte, por las becas del Jockey Club de Hong Kong, el programa Horizonte Europa de la Unión Europea, Cultuurfonds Wetenschapsbeurzen y la cátedra Rudge (1948) y Nancy Allen. Su trabajo fue publicado a principios de este mes en las Cartas de Automatización y Robótica del Instituto de Ingenieros Eléctricos y Electrónicos.