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

Licenças

Acesso aberto
Artigo: CC BY 4.0

Tudo o que segue se baseia no artigo completo sob a licença CC BY 4.0; sua figura é mostrada com crédito aos autores.

Em resumo

Funções de segurança de Poisson calculadas a partir da percepção e estendidas no tempo e na orientação do robô alimentam um MPC com restrições CBF que conduz os robôs G1 e Go2 ao redor de obstáculos móveis e estáticos.

Por que importa

A consciência da geometria permite que um robô gire em vez de parar: um G1 carregando uma carga alongada girou para passar por um corredor que, de outra forma, causaria um impasse de navegação. O projeto em camadas mantém uma política de caminhada aprendida já existente e acrescenta acima dela uma camada de segurança que trabalha diretamente com imagens de câmera segmentadas.

Problema

Filtros de segurança baseados em funções barreira de controle (CBFs) precisam de uma função de segurança que descreva o espaço livre, geralmente formas geométricas escritas à mão ou funções de distância com sinal, e muitas vezes tratam o robô como um ponto ou um disco. Robôs com pernas têm formas assimétricas, então um único raio de robô é conservador, e em cenas dinâmicas o próprio conjunto seguro se move ao longo do tempo.

Solução proposta

O método resolve um problema de Dirichlet para a equação de Poisson sobre o espaço livre visto por uma câmera para obter uma função de segurança suave. Acrescenta o tempo prevendo como as fronteiras dos obstáculos se movem ao longo do horizonte a partir de velocidades de fluxo óptico (um problema de fronteira móvel) e acrescenta a orientação encolhendo o conjunto seguro com uma diferença de Minkowski da área ocupada pelo robô em cada orientação. A função resultante é uma restrição CBF em tempo discreto dentro de um MPC não linear sobre um modelo de integrador simples de 3 graus de liberdade (3-DOF) (x, y, orientação), resolvido por SQP a 100 Hz, que envia comandos de velocidade a um controlador de locomoção por RL.

Principais ideias

Resolver a equação de Poisson transforma a fronteira de um mapa de ocupação em uma função de segurança suave que é uma CBF válida para a dinâmica de integrador simples.
Tratar o tempo como um parâmetro do domínio permite que a função de segurança antecipe onde estarão as fronteiras dos obstáculos móveis ao longo do horizonte do MPC.
Elevar o domínio sobre a orientação com diferenças de Minkowski permite que o filtro de segurança use a rotação, e não apenas a translação, para se manter seguro.
Colocar a restrição CBF ao longo de um horizonte de MPC evita os equilíbrios estáveis indesejados que filtros CBF pontuais podem criar quando objetivo e segurança entram em conflito.
A segurança no nível de ordem reduzida se estende ao robô completo se o controlador de baixo nível rastrear suficientemente bem as velocidades comandadas.

Principais resultados

Desvio dinâmico: um Unitree Go2 e um Unitree G1 mantendo uma pose-alvo desviaram de uma bola arremessada transladando e girando ao mesmo tempo, e a função de segurança permaneceu positiva durante cada manobra.
O quadrúpede alinhou seu eixo longitudinal, e o humanoide seu eixo lateral, com a trajetória prevista do obstáculo, reduzindo a translação necessária.
Navegação: o G1, carregando uma carga alongada e teleoperado por 100 s em um espaço estático desordenado, se reorientou para passar por um corredor estreito; a função de segurança permaneceu positiva durante a maior parte do percurso.
As resoluções da EDP de Poisson levaram 20–100 ms com sobrerrelaxação sucessiva; o MPC rodou a 100 Hz com OSQP em um PC externo (CPU AMD Ryzen 9 9950X, GPU GeForce RTX 4070).

Limitações

A segurança não pode ser garantida formalmente em ambientes gerais variantes no tempo, porque o comportamento futuro do conjunto seguro é desconhecido.
O movimento dos obstáculos é previsto com um modelo de fluxo óptico de velocidade constante; os autores observam que modelos de previsão mais complexos poderiam melhorar o desempenho.
A solução por SQP do MPC não convexo não é necessariamente ótima, e a segurança do robô completo depende de o controlador RL de baixo nível rastrear os comandos suficientemente bem.
Os experimentos dependem de infraestrutura externa (captura de movimento OptiTrack para a pose, uma câmera ZED 2i suspensa e um PC externo), usam um mapa de ocupação 2D e modelam o robô como um corpo rígido.
No percurso de navegação de 100 segundos, a função de segurança é relatada como positiva durante 'a maior parte' do experimento, não durante todo ele, e os resultados são apresentados como tentativas representativas sem estatísticas de taxa de sucesso.

Impacto na área

Finalista do Humanoids 2025 Best Oral Paper Award, com 18 citações. O artigo traz links para vídeos dos experimentos no YouTube; não informa a liberação de código.

Resumo

A navegação autônoma em ambientes não estruturados e que mudam dinamicamente é uma tarefa complexa que continua a apresentar muitos desafios aos roboticistas modernos. Em particular, robôs com pernas normalmente possuem geometrias assimétricas manipuláveis que precisam ser consideradas durante o planejamento de trajetórias crítico para a segurança. Este trabalho propõe um filtro de segurança preditivo: um algoritmo de controle preditivo baseado em modelo (MPC) não linear para geração de trajetórias online com restrições de segurança cientes da geometria baseadas em funções barreira de controle (CBFs). De forma crucial, nosso método aproveita funções de segurança de Poisson para sintetizar numericamente restrições CBF diretamente a partir de dados de percepção. Estendemos o arcabouço teórico das funções de segurança de Poisson para incorporar mudanças temporais no domínio, reformulando o problema estático de Dirichlet para a equação de Poisson como um problema de valor de contorno móvel parametrizado. Além disso, empregamos operações de conjuntos de Minkowski para elevar o domínio a um espaço de configurações que leva em conta a geometria do robô. Por fim, implementamos nosso filtro de segurança preditivo em tempo real em robôs humanoides e quadrúpedes em diversos cenários críticos para a segurança. Os resultados destacam a versatilidade das funções de segurança de Poisson, bem como o benefício de controladores preditivos baseados em modelo críticos para a segurança com restrições CBF.

Open Source Robotics