Geometry-Aware Predictive Safety Filters on Humanoids: From Poisson Safety Functions to CBF Constrained MPC

Autores: Ryan M. Bena, Gilbert Bahati, Blake Werner, Ryan K. Cosner, Lizhi Yang, Aaron D. Ames · Humanoids 2025

Licencias

• Acceso abierto
• Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

Funciones de seguridad de Poisson calculadas a partir de la percepción y extendidas en el tiempo y en la orientación del robot alimentan un MPC con restricciones CBF que guía a los robots G1 y Go2 alrededor de obstáculos móviles y estáticos.

Por qué importa

La consciencia de la geometría permite que un robot gire en lugar de detenerse: un G1 que llevaba una carga alargada se giró para pasar por un pasillo que, de otro modo, provocaría un bloqueo de la navegación. El diseño por capas conserva una política de marcha aprendida existente y añade por encima una capa de seguridad que trabaja directamente con imágenes de cámara segmentadas.

Problema

Los filtros de seguridad basados en funciones barrera de control (CBF) necesitan una función de seguridad que describa el espacio libre, normalmente formas geométricas escritas a mano o funciones de distancia con signo, y a menudo tratan el robot como un punto o un disco. Los robots con patas tienen formas asimétricas, por lo que un único radio de robot es conservador, y en escenas dinámicas el propio conjunto seguro se mueve con el tiempo.

Solución propuesta

El método resuelve un problema de Dirichlet para la ecuación de Poisson sobre el espacio libre que ve una cámara para obtener una función de seguridad suave. Añade el tiempo prediciendo cómo se mueven los contornos de los obstáculos a lo largo del horizonte a partir de velocidades de flujo óptico (un problema de frontera móvil), y añade la orientación reduciendo el conjunto seguro con una diferencia de Minkowski de la huella del robot en cada orientación. La función resultante es una restricción CBF en tiempo discreto dentro de un MPC no lineal sobre un modelo de integrador simple de 3 grados de libertad (3-DOF) (x, y, orientación), resuelto por SQP a 100 Hz, que envía órdenes de velocidad a un controlador de locomoción por RL.

Ideas clave

• Resolver la ecuación de Poisson convierte el contorno de un mapa de ocupación en una función de seguridad suave que es una CBF válida para la dinámica de integrador simple.
• Tratar el tiempo como un parámetro del dominio permite que la función de seguridad anticipe dónde estarán los contornos de los obstáculos móviles a lo largo del horizonte del MPC.
• Elevar el dominio sobre la orientación con diferencias de Minkowski permite que el filtro de seguridad use la rotación, y no solo la traslación, para mantenerse seguro.
• Colocar la restricción CBF a lo largo de un horizonte de MPC evita los equilibrios estables indeseados que los filtros CBF puntuales pueden crear cuando el objetivo y la seguridad entran en conflicto.
• La seguridad en el nivel de orden reducido se traslada al robot completo si el controlador de bajo nivel sigue suficientemente bien las velocidades ordenadas.

Resultados principales

• Evitación dinámica: un Unitree Go2 y un Unitree G1 que mantenían una pose objetivo esquivaron una pelota lanzada trasladándose y girando a la vez, y la función de seguridad se mantuvo positiva durante cada maniobra.
• El cuadrúpedo alineó su eje longitudinal, y el humanoide su eje lateral, con la trayectoria prevista del obstáculo, reduciendo la traslación necesaria.
• Navegación: el G1, con una carga alargada y teleoperado durante 100 s a través de un espacio estático abarrotado, se reorientó para pasar por un pasillo estrecho; la función de seguridad se mantuvo positiva durante la mayor parte del recorrido.
• Las resoluciones de la EDP de Poisson tardaron 20–100 ms con sobrerrelajación sucesiva; el MPC funcionó a 100 Hz con OSQP en un PC externo (CPU AMD Ryzen 9 9950X, GPU GeForce RTX 4070).

Limitaciones

• La seguridad no puede garantizarse formalmente en entornos generales variables en el tiempo, porque el comportamiento futuro del conjunto seguro es desconocido.
• El movimiento de los obstáculos se predice con un modelo de flujo óptico de velocidad constante; los autores señalan que modelos de predicción más complejos podrían mejorar el rendimiento.
• La solución por SQP del MPC no convexo no es necesariamente óptima, y la seguridad del robot completo depende de que el controlador RL de bajo nivel siga suficientemente bien las órdenes.
• Los experimentos dependen de infraestructura externa (captura de movimiento OptiTrack para la pose, una cámara cenital ZED 2i y un PC externo), usan un mapa de ocupación 2D y modelan el robot como un cuerpo rígido.
• En el recorrido de navegación de 100 segundos se indica que la función de seguridad fue positiva durante 'la mayor parte' del experimento, no durante todo, y los resultados se muestran como ensayos representativos sin estadísticas de tasa de éxito.

Impacto en el campo

Finalista del Humanoids 2025 Best Oral Paper Award, con 18 citas. El artículo enlaza vídeos de los experimentos en YouTube; no indica ninguna publicación de código.

Resumen

La navegación autónoma a través de entornos no estructurados y que cambian dinámicamente es una tarea compleja que sigue planteando muchos retos a los robotistas actuales. En particular, los robots con patas suelen tener geometrías asimétricas manipulables que deben tenerse en cuenta durante la planificación de trayectorias crítica para la seguridad. Este trabajo propone un filtro de seguridad predictivo: un algoritmo de control predictivo basado en modelo (MPC) no lineal para la generación de trayectorias en línea con restricciones de seguridad conscientes de la geometría basadas en funciones barrera de control (CBF). De forma crucial, nuestro método aprovecha las funciones de seguridad de Poisson para sintetizar numéricamente restricciones CBF directamente a partir de datos de percepción. Ampliamos el marco teórico de las funciones de seguridad de Poisson para incorporar cambios temporales en el dominio, reformulando el problema estático de Dirichlet para la ecuación de Poisson como un problema de valores en la frontera móvil parametrizado. Además, empleamos operaciones de conjuntos de Minkowski para elevar el dominio a un espacio de configuraciones que tiene en cuenta la geometría del robot. Por último, implementamos nuestro filtro de seguridad predictivo en tiempo real en robots humanoides y cuadrúpedos en diversos escenarios críticos para la seguridad. Los resultados ponen de relieve la versatilidad de las funciones de seguridad de Poisson, así como la ventaja de los controladores predictivos basados en modelo críticos para la seguridad con restricciones CBF.

Enlaces

• arXiv 2508.11129: https://arxiv.org/abs/2508.11129
• DOI 10.1109/Humanoids65713.2025.11203169: https://doi.org/10.1109/Humanoids65713.2025.11203169
• PDF: https://arxiv.org/pdf/2508.11129v1