N-dimensional Convex Obstacle Avoidance using Hybrid Feedback Control (Extended version)

Resumen Técnico: Evitación de Obstáculos Convexos en n-dimensiones mediante Control de Retroalimentación Híbrido

Declaración del Problema
Este artículo aborda el problema de la navegación autónoma de robots en entornos de $n$ dimensiones que contienen obstáculos convexos disjuntos, de formas y tamaños arbitrarios, desconocidos a priori. El desafío principal es diseñar una estrategia de control que garantice tanto la seguridad (evitación de colisiones) como la convergencia asintótica global hacia una ubicación objetivo predefinida. Los enfoques existentes enfrentan limitaciones significativas:

• Los Campos de Potencial Artificial (APF) y las Funciones de Navegación (NF) a menudo sufren de mínimos locales indeseados o requieren conocimiento global del entorno (por ejemplo, mapeos difeomórficos).
• Los métodos de Función de Lyapunov de Control (CLF) y Función de Barrera de Control (CBF), aunque son efectivos en casos específicos, generalmente proporcionan solo garantías de estabilidad "casi global" debido a las restricciones topológicas de los campos vectoriales continuos invariantes en el tiempo.
• Los Métodos Híbridos Previos se han visto limitados en gran medida a espacios bidimensionales o geometrías de obstáculos específicas (por ejemplo, elipsoides u obstáculos fuertemente convexos) y a menudo requieren conocimiento previo de las formas de los obstáculos.

Las restricciones específicas de este trabajo incluyen entornos donde los obstáculos son convexos pero pueden tener fronteras no suaves, y el robot posee únicamente datos de sensores de rango locales (sin un mapa global).

Metodología
Los autores proponen un esquema de control de retroalimentación híbrido que opera mediante un mecanismo de conmutación entre dos modos distintos:

1. Modo de Movimiento hacia el Objetivo ($m=0$): El robot se mueve en línea recta hacia el objetivo.
2. Modo de Evitación de Obstáculos ($m=1$): El robot navega alrededor de un obstáculo.

Componentes Técnicos Clave:

• Marco de Sistema Híbrido: El sistema se modela utilizando inclusiones diferenciales y de diferencia. El vector de estado $\xi$ incluye la posición del robot $x$, un "punto de impacto" $h$ (donde comenzó la evitación), un vector unitario $a$, un indicador de modo $m$ y una variable de temporizador $s$.
• Lógica de Conmutación:
  • La transición de movimiento hacia el objetivo a evitación de obstáculos ocurre cuando el robot entra en un vecindad-$\gamma$ de un obstáculo y la trayectoria en línea recta hacia el objetivo está obstruida (detectada mediante una prueba de intersección de cilindro de detección).
  • La transición de regreso al movimiento hacia el objetivo ocurre cuando el robot entra en una "región de salida" donde el camino hacia el objetivo está despejado, y el robot está más cerca del objetivo que del punto de impacto inicial $h$ (más un margen de histéresis $\epsilon$).
• Estrategia de Evitación de Obstáculos:
  • A diferencia de los métodos 2D que fuerzan el movimiento en sentido horario o antihorario, la estrategia en $n$-dimensiones confina el movimiento del robot a un plano bidimensional específico $P(h, a)$. Este plano está definido por la ubicación del objetivo (origen), el punto de impacto $h$, y un vector unitario $a$ ortogonal a $h$.
  • Dentro de este plano, el vector de control se construye utilizando una matriz de rotación y un operador de proyección paralela para guiar al robot a lo largo de la frontera del obstáculo sin retratar su camino.
  • Una función escalar $\eta(x)$ asegura que el robot permanezca dentro de un vecindario seguro del obstáculo durante la fase de evitación.
• Implementación Basada en Sensores: El algoritmo se basa únicamente en sensores de rango (por ejemplo, LiDAR) para identificar el conjunto de puntos visibles de la frontera del obstáculo dentro de un radio de detección $R_s$. No requiere conocimiento global previo de las geometrías de los obstáculos.
• Mecanismo de Suavizado: Para abordar la discontinuidad de las entradas de control durante la conmutación de modos (que puede causar cambios abruptos en la trayectoria), los autores introducen una función escalar continua $\lambda$ que interpola suavemente entre los dos vectores de control a lo largo de un intervalo de tiempo $t_s$.

Contribuciones Clave
El artículo reclama cuatro contribuciones primarias:

1. Estabilidad Asintótica Global: La solución propuesta garantiza la estabilidad asintótica global de la ubicación del objetivo en entornos desconocidos con obstáculos convexos de formas arbitrarias. Esto contrasta con los resultados híbridos existentes que a menudo se limitan a obstáculos elipsoidales.
2. Aplicabilidad en $n$-Dimensiones: El controlador está diseñado para espacios de trabajo en $n$-dimensiones, mientras que muchos enfoques de sensores o híbridos existentes están restringidos a 2D.
3. Arreglos de Obstáculos Arbitrarios: El método no impone restricciones sobre la disposición relativa de los obstáculos (aparte de una distancia mínima de separación para asegurar que el robot pueda pasar entre ellos), a diferencia de los métodos que requieren condiciones de curvatura específicas o de no planitud.
4. Entornos Desconocidos a Priori: El enfoque se basa en sensores y no requiere conocimiento global de las geometrías de los obstáculos, a diferencia de los enfoques basados en NF que dependen de mapeos difeomórficos.

Resultados y Validación

• Simulaciones:
  • Entornos 3D: Las simulaciones con obstáculos convexos 3D demuestran que el robot converge al objetivo desde diversas posiciones iniciales mientras evita colisiones.
  • Entornos 2D: Las pruebas con 12 obstáculos convexos muestran una convergencia exitosa desde 24 puntos de partida diferentes.
  • Análisis del Radio de Detección: El artículo analiza el efecto de variar el radio de detección $R_s$, señalando que radios más pequeños pueden provocar una conmutación prematura, pero el sistema sigue siendo robusto.
  • Mundos de Esferas: Se aplica una versión modificada del controlador a obstáculos esféricos, demostrando que la distancia al objetivo disminuye monóntonamente en esta geometría específica.
  • Comparación: El método propuesto se compara con un enfoque de hiperplano separador [15]. El artículo demuestra que el enfoque de hiperplano falla (convergiendo a mínimos locales) cuando los obstáculos no satisfacen ciertas condiciones de curvatura, mientras que el controlador híbrido propuesto tiene éxito.
• Validación Experimental:
  • La ley de control suavizada se implementó en un robot móvil TurtleBot 4 Standard en un espacio de trabajo físico con cinco obstáculos convexos.
  • El robot navegó con éxito desde una posición inicial hacia un objetivo, conmutando entre modos según lo detectado por su sensor LiDAR. Los resultados experimentales confirmaron una navegación segura y convergencia.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como un avance significativo sobre las estrategias de control híbrido previas al extender las garantías de estabilidad global a espacios de $n$-dimensiones con obstáculos convexos arbitrarios sin requerir mapas globales del entorno. Los autores enfatizan que el uso de un mecanismo de conmutación supera las obstrucciones topológicas que impiden que los campos vectoriales continuos logren la estabilidad global.

Los autores concluyen modestamente, señalando que, si bien el trabajo actual maneja obstáculos convexos, la extensión del enfoque a obstáculos no convexos y robots con dinámica de segundo orden (inercia) en entornos de $n$-dimensiones sigue siendo una dirección para la investigación futura. El artículo no pretende resolver problemas de navegación no convexos, sino que destaca la robustez del caso convexo como un paso fundacional.