Aprendizaje de Impedancia Basado en Difusión para Tareas de Manipulación Ricas en Contacto

Los métodos de aprendizaje sobresalen en la generación de movimientos en el dominio de la información, pero no están diseñados principalmente para la interacción física en el dominio de la energía. El Control de Impedancia moldea la interacción física pero requiere una afinación consciente de la tarea seleccionando parámetros de impedancia viables. Presentamos el Aprendizaje de Impedancia Basado en Difusión, un marco que combina ambos dominios. Un Modelo de Difusión basado en Transformer con atención cruzada a fuerzas externas reconstruye una Trayectoria de Fuerza Cero simulada (sZFT). Esto captura tanto el comportamiento traslacional como el rotacional en el espacio de tareas. Para las rotaciones, introducimos un novedoso programador de ruido basado en cuaterniones SLERP que asegura consistencia geométrica. La sZFT reconstruida se pasa entonces a un estimador basado en energía que actualiza los parámetros de rigidez y amortiguamiento. Se aplica una regla direccional que reduce la impedancia a lo largo de ejes no relacionados con la tarea mientras conserva la rigidez en las direcciones de la tarea. Se recopilaron datos de entrenamiento para un escenario de parkour y tareas de terapia asistida por robot utilizando teleoperación con Apple Vision Pro. Con solo decenas de miles de muestras, el modelo logró una precisión posicional submilimétrica y una precisión rotacional subgrados. Su tamaño de modelo compacto permitió el control de torque en tiempo real y la adaptación autónoma de rigidez en un robot KUKA LBR iiwa. El controlador logró un cruce de parkour suave dentro de los límites de fuerza y velocidad y tasas de éxito de 30/30 para inserciones cilíndricas, cuadradas y de estrella sin ninguna demostración específica de pernos en el conjunto de datos de entrenamiento. Todo el código para el Modelo de Difusión basado en Transformer, el controlador del robot y el marco de telemanipulación Apple Vision Pro está disponible públicamente. Estos resultados marcan un paso importante hacia la IA Física, fusionando el control basado en modelos para la interacción física con métodos basados en aprendizaje para la generación de trayectorias.