Foothold Planning

• Também chamado: footstep planning, foothold selection
• Categoria: Control › Locomotion control
• Tags: legged-locomotion, motion-planning, terrain, contact-planning, quadrupeds

Escolher onde cada pé de um robô com pernas vai pousar, usando dados do terreno e a dinâmica do robô, para que cada passo seja estável, alcançável e seguro.

Definição

Planejamento de pontos de apoio (foothold planning) é o problema de selecionar os locais de contato dos pés de um robô com pernas. Um bom ponto de apoio fica em chão firme, razoavelmente plano e com atrito suficiente, longe de bordas e buracos, ao alcance da perna a partir da posição planejada do corpo, e é compatível com manter o robô em equilíbrio durante o passo. Para bípedes o problema costuma ser chamado de planejamento de pisadas (footstep planning) e inclui a orientação de cada pé; para quadrúpedes geralmente trata da posição de cada pé dentro de uma sequência de marcha.

Os sistemas clássicos dividem a locomoção em camadas. A percepção constrói um mapa de elevação, a análise do terreno pontua cada célula pela inclinação, rugosidade e distância às bordas, o planejador de pontos de apoio escolhe células, e um controlador de nível inferior planeja o movimento do corpo e as trajetórias de balanço que as alcançam. Os métodos de planejamento comuns incluem ajustar um ponto de apoio nominal, dado por uma heurística como a regra de Raibert, para a célula próxima com melhor pontuação; busca em grafos sobre sequências de pisadas discretas; e otimização, como programas inteiros mistos que atribuem cada pisada a uma de várias regiões seguras convexas. Alguns planejadores otimizam os pontos de apoio e o movimento do corpo juntos, para que o alcance e o equilíbrio dinâmico sejam tratados em conjunto.

O aprendizado mudou o cenário. Políticas treinadas em simulação podem receber amostras de altura ou imagens de profundidade brutas e produzir diretamente comandos de junta, escolhendo os pontos de apoio implicitamente, o que evita erros que se acumulam entre módulos separados de mapeamento, planejamento e controle. O planejamento explícito de pontos de apoio continua útil onde garantias, interpretabilidade ou posicionamento preciso importam, como em pedras de passagem, e sistemas híbridos usam modelos aprendidos para pontuar ou propor pontos de apoio a um controlador baseado em modelo.

Por que importa

Em terreno irregular, onde um pé pousa decide se o robô mantém o equilíbrio. O planejamento de pontos de apoio transforma a percepção do terreno em decisões de contato concretas, e se ele é feito explicitamente ou dentro de uma política aprendida molda a confiabilidade com que um robô com pernas lida com escadas, entulho e vãos.

Principais aplicações

• Subida de escadas e locomoção em terreno irregular para quadrúpedes
• Planejamento de pisadas de humanoides em espaços congestionados
• Travessia de vãos e de pedras de passagem
• Robôs planetários e de inspeção em terreno não estruturado
• Referências baseadas em modelo para comparar políticas de locomoção aprendidas

Na prática

Um quadrúpede que atravessa um campo de pedras de passagem usa um mapa de elevação construído a partir de suas câmeras de profundidade. Um filtro de terreno marca como inválidas as células com inclinação acentuada, rugosidade alta ou bordas próximas. Para cada passo seguinte, o planejador parte do ponto de apoio nominal dado pela marcha e pela velocidade desejada, busca em uma pequena vizinhança a célula válida de menor custo e verifica se a perna consegue alcançá-la a partir da pose planejada do corpo. Os pontos de apoio escolhidos são passados a um controlador preditivo baseado em modelo que planeja o movimento do corpo e as forças de contato, enquanto o controlador de balanço levanta cada pé o suficiente para passar pelas bordas das pedras. Onde o mapa é incerto, a função de custo favorece pontos de apoio mais próximos do centro de cada pedra.

Equívocos comuns

• O planejamento de pontos de apoio serve só para caminhada lenta e estaticamente estável — os planejadores modernos lidam com marchas dinâmicas planejando juntos os pontos de apoio e o movimento do corpo em um horizonte curto
• Políticas de locomoção aprendidas não escolhem pontos de apoio — elas ainda decidem onde os pés pousam, mas implicitamente a partir da percepção, e não por meio de um planejador separado
• A célula mais plana é sempre o melhor ponto de apoio — o alcance, a distância às bordas, os passos seguintes e o momento do corpo afetam se um ponto de apoio é bom

Quem deve saber

• Engenheiros de locomoção com pernas
• Engenheiros de percepção que constroem mapas de terreno para robôs com pernas
• Pesquisadores de planejamento de movimento
• Desenvolvedores de robótica humanoide

Tecnologias relacionadas

• Mapeamento de elevação (Elevation Mapping)
• Heurística de Raibert (Raibert Heuristic)
• Otimização convexa inteira mista (Mixed-Integer Convex Optimization)
• Busca A (A Search)
• Controle preditivo baseado em modelo (Model Predictive Control)

Termos relacionados

• Elevation Map
• Terrain Traversability
• Mixed-Integer Programming
• Quadruped
• Gait
• Model Predictive Control

Projetos relacionados

• DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required
• OMPL: Sampling-based motion planning library powering MoveIt and countless robotics applications
• MoveIt 2: Motion planning framework for ROS 2 robot arms, with kinematics and collision checking
• PyRoki: Modular Python toolkit for kinematic optimization across CPU, GPU, and TPU via JAX
• mink: Python inverse kinematics library built on MuJoCo supporting 20+ robot platforms
• Ruckig: Real-time jerk-constrained time-optimal trajectory generation for robots and machines