Locomoção interfacial

Navegando na interface: física diferenciável para locomoção movida a ondas

Um pequeno robô sentado na água pode se impulsionar para frente sem remos, nadadeiras ou jatos — apenas vibrando. A vibração irradia ondas superficiais e, se essas ondas forem direcionalmente assimétricas, seu desequilíbrio de momento gera um empuxo líquido. O SurferBot (Rhee et al., 2022) demonstrou isso experimentalmente; nosso trabalho transforma a ideia em um laboratório computacional onde cada escolha de design pode ser otimizada a partir de primeiros princípios.

Modelo e simulação diferenciável

Em uma interface ar-água, tensão superficial, ondas de gravidade e efeitos de massa adicional dominam. Pequenos atuadores podem criar campos de ondas assimétricos que carregam momento e geram empuxo, mas o desempenho depende de muitas escolhas acopladas: formato do corpo, distribuição de massa, localização do motor, frequência de acionamento, forma de onda e parâmetros ambientais. Projetar tais sistemas por tentativa e erro é lento. Um simulador diferenciável nos permite otimizar essas escolhas diretamente, com gradientes da física em vez de heurísticas.

Modelamos o robô como um corpo flutuante, possivelmente flexível, restrito à interface e acionado por um atuador interno variável no tempo. O fluido circundante é representado por um modelo de superfície livre de pequena amplitude que resolve a interface, compatível com capilaridade e amortecimento viscoso nas escalas de interesse, seguindo a teoria desenvolvida em (Benham et al., 2024). O pipeline é diferenciável de ponta a ponta em relação a todos os parâmetros de design (\theta): as atualizações de estado usam resoluções lineares e não lineares (A(\theta)\,y=b(\theta)) com regras personalizadas de modo reverso, de modo que (\nabla_\theta \mathcal{L}) é obtido por duas resoluções lineares (direta e adjunta) por passo de tempo, mantendo a memória limitada e os gradientes estáveis ao longo de toda a trajetória.

Otimização e questões científicas

Com gradientes disponíveis, exploramos parâmetros de design (geometria do casco, distribuição de massa, posição do motor), parâmetros de controle (frequência de acionamento, coeficientes de forma de onda multi-harmônica) e condições ambientais (tensão superficial, viscosidade, profundidade). A otimização de gradiente multi-início localiza regiões de alto desempenho; modelos substitutos e otimização Bayesiana lidam com a busca global sob restrições como orçamentos de energia e geometrias fabricáveis.

As principais questões científicas são: como modos de onda específicos e relações de fase criam fluxo de momento direcional? Quais combinações de posicionamento do atuador e frequência de acionamento minimizam a radiação desperdiçada? Quais designs permanecem robustos frente a mudanças nas propriedades do fluido ou pequenas tolerâncias de fabricação? O mesmo framework diferenciável que responde a essas perguntas também suporta a inferência de parâmetros a partir de trajetórias experimentais e o ajuste de controladores em dispositivos reais, tornando direto o caminho da simulação ao hardware.