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

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

Des fonctions de sécurité de Poisson calculées à partir de la perception et étendues dans le temps et selon le cap du robot alimentent une MPC contrainte par CBF qui guide des robots G1 et Go2 autour d'obstacles mobiles et statiques.

Pourquoi c'est important

La prise en compte de la géométrie permet à un robot de pivoter plutôt que de s'arrêter : un G1 portant une charge oblongue a tourné pour franchir un couloir qui aurait sinon provoqué un blocage de navigation. L'architecture en couches conserve une politique de marche apprise existante et ajoute au-dessus une couche de sécurité qui fonctionne directement à partir d'images de caméra segmentées.

Problème

Les filtres de sécurité fondés sur des fonctions barrières de commande (CBF) nécessitent une fonction de sécurité décrivant l'espace libre, généralement des formes géométriques écrites à la main ou des fonctions de distance signée, et traitent souvent le robot comme un point ou un disque. Les robots à pattes ont des formes asymétriques, si bien qu'un rayon de robot unique est conservateur, et dans les scènes dynamiques l'ensemble sûr lui-même se déplace au fil du temps.

Solution proposée

La méthode résout un problème de Dirichlet pour l'équation de Poisson sur l'espace libre vu par une caméra afin d'obtenir une fonction de sécurité lisse. Elle ajoute le temps en prédisant comment les frontières des obstacles se déplacent sur l'horizon à partir des vitesses du flot optique (un problème à frontière mobile), et ajoute l'orientation en réduisant l'ensemble sûr par une différence de Minkowski de l'empreinte du robot pour chaque cap. La fonction obtenue constitue une contrainte CBF en temps discret au sein d'une MPC non linéaire sur un modèle d'intégrateur simple à 3-DOF (x, y, cap), résolue par SQP à 100 Hz, qui envoie des consignes de vitesse à un contrôleur de locomotion RL.

Idées clés

• Résoudre l'équation de Poisson transforme la frontière d'une carte d'occupation en une fonction de sécurité lisse qui est une CBF valide pour une dynamique d'intégrateur simple.
• Traiter le temps comme un paramètre du domaine permet à la fonction de sécurité d'anticiper où se trouveront les frontières d'obstacles mobiles le long de l'horizon de la MPC.
• Élever le domaine selon l'orientation au moyen de différences de Minkowski permet au filtre de sécurité d'utiliser la rotation, et pas seulement la translation, pour rester sûr.
• Placer la contrainte CBF le long d'un horizon de MPC évite les équilibres stables indésirables que les filtres CBF ponctuels peuvent créer lorsque but et sécurité entrent en conflit.
• La sécurité au niveau du modèle d'ordre réduit se transmet au robot complet si le contrôleur de bas niveau suit suffisamment bien les vitesses commandées.

Principaux résultats

• Évitement dynamique : un Unitree Go2 et un Unitree G1 maintenant une pose cible ont tous deux évité un ballon de balle aux prisonniers lancé vers eux en combinant translation et rotation, et la fonction de sécurité est restée positive tout au long de chaque manœuvre.
• Le quadrupède a aligné son axe longitudinal, et l'humanoïde son axe latéral, sur la trajectoire prédite de l'obstacle, réduisant la translation nécessaire.
• Navigation : le G1, portant une charge oblongue et téléopéré pendant 100 s dans un espace statique encombré, s'est réorienté pour franchir un couloir étroit ; la fonction de sécurité est restée positive pendant la majeure partie du parcours.
• Les résolutions de l'EDP de Poisson (PDE) ont pris 20 à 100 ms par surrelaxation successive ; la MPC tournait à 100 Hz avec OSQP sur un PC déporté (CPU AMD Ryzen 9 9950X, GPU GeForce RTX 4070).

Limites

• La sécurité ne peut pas être garantie formellement dans des environnements variant dans le temps en général, car le comportement futur de l'ensemble sûr est inconnu.
• Le mouvement des obstacles est prédit par un modèle de flot optique à vitesse constante ; les auteurs notent que des modèles de prédiction plus complexes pourraient améliorer les performances.
• La solution SQP de la MPC non convexe n'est pas nécessairement optimale, et la sécurité du robot complet dépend de la capacité du contrôleur RL de bas niveau à suivre suffisamment bien les consignes.
• Les expériences reposent sur une infrastructure externe (capture de mouvement OptiTrack pour la pose, une caméra ZED 2i en surplomb et un PC déporté), utilisent une carte d'occupation 2D et modélisent le robot comme un corps rigide.
• Lors du parcours de navigation de 100 secondes, la fonction de sécurité est rapportée positive pendant 'la majeure partie' de l'expérience, et non sur sa totalité, et les résultats sont présentés comme des essais représentatifs sans statistiques de taux de réussite.

Impact sur le domaine

Finaliste du Humanoids 2025 Best Oral Paper Award, avec 18 citations. L'article renvoie vers des vidéos des expériences sur YouTube ; il ne mentionne pas de publication du code.

Résumé

La navigation autonome dans des environnements non structurés et changeant dynamiquement est une tâche complexe qui continue de poser de nombreux défis aux roboticiens modernes. En particulier, les robots à pattes possèdent généralement des géométries asymétriques modifiables qui doivent être prises en compte lors de la planification de trajectoires critiques pour la sécurité. Ce travail propose un filtre de sécurité prédictif : un algorithme de commande prédictive par modèle (MPC) non linéaire pour la génération de trajectoires en ligne, avec des contraintes de sécurité tenant compte de la géométrie, fondées sur des fonctions barrières de commande (control barrier functions, CBF). Point essentiel, notre méthode exploite des fonctions de sécurité de Poisson pour synthétiser numériquement des contraintes CBF directement à partir des données de perception. Nous étendons le cadre théorique des fonctions de sécurité de Poisson afin d'intégrer les changements temporels du domaine, en reformulant le problème de Dirichlet statique pour l'équation de Poisson comme un problème aux limites paramétré à frontière mobile. En outre, nous utilisons des opérations ensemblistes de Minkowski pour élever le domaine dans un espace de configuration qui tient compte de la géométrie du robot. Enfin, nous mettons en œuvre notre filtre de sécurité prédictif temps réel sur des robots humanoïdes et quadrupèdes dans divers scénarios critiques pour la sécurité. Les résultats soulignent la polyvalence des fonctions de sécurité de Poisson, ainsi que l'intérêt des contrôleurs prédictifs critiques pour la sécurité contraints par CBF.

Liens

• 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