Resumen Técnico: SPARK (Safe Protective and Assistive Robot Kit)

1. Declaración del Problema

Los robots humanoides poseen capacidades físicas significativas que plantean riesgos de seguridad sustanciales al interactuar con entornos complejos y humanos. Aunque existen numerosos enfoques de control seguro —que van desde métodos analíticos como las Funciones de Barrera de Control (CBF) hasta políticas basadas en datos— la síntesis y el despliegue de estos controladores sigue siendo ineficiente para no expertos.

Los desafíos centrales identificados son:

• Falta de Modularidad: Sintetizar un controlador seguro desde cero para cada nuevo robot, tarea o entorno requiere mucho tiempo. Las cajas de herramientas existentes suelen carecer de la modularidad necesaria para integrarse sin problemas con diversos marcos de trabajo o para manejar sistemas complejos y de alta dimensionalidad como los humanoides.
• Escalabilidad y Generalización: Es difícil diseñar un único controlador seguro universal capaz de manejar diversas tareas, dinámicas de robot variadas y entornos cambiantes. Los benchmarks actuales suelen centrarse en el aprendizaje por refuerzo (RL) seguro o en robots móviles simples, fallando al no proporcionar tareas estandarizadas para comparar métodos de control seguro basados en modelos en plataformas humanoides complejas.
• Barreras de Despliegue: Un despliegue eficiente requiere la especificación sencilla de objetivos y restricciones, una selección informada de los enfoques de control e integración sin necesidad de ajuste (tuning-free) con hardware real, aspectos que los sistemas actuales no soportan plenamente.

2. Metodología: El Marco de Trabajo SPARK

Para abordar estos desafíos, los autores presentan SPARK (Safe Protective and Assistive Robot Kit), un marco de trabajo de benchmark integral, modular y composible diseñado para la síntesis, prueba y despliegue de controladores seguros para robots humanoides.

A. Arquitectura Modular

SPARK descompone el proceso de síntesis de control en módulos distintos e intercambiables basados en las dependencias naturales de los sistemas de control robótico:

1. Módulo de Configuración: Encapsula la dinámica específica del robot (por ejemplo, grados de libertad, interfaces de motores) y los modelos del sistema.
2. Módulo de Agente: Actúa como la interfaz con el mundo físico o la simulación. Gestiona la ejecución de estados y soporta tanto agentes simulados (MuJoCo) como robots reales (por ejemplo, Unitree G1) mediante SDKs de hardware.
3. Módulo de Tarea: Agrega estados del sistema, estados del robot y objetivos definidos por el usuario (por ejemplo, comandos de teleoperación, trayectorias) en una estructura de datos unificada. Desacopla la recolección de información del algoritmo de control.
4. Módulo de Algoritmo (Back-end):
   • Módulo de Política: Genera comandos de control nominales para lograr objetivos de rendimiento (por ejemplo, alcanzar un objetivo) sin considerar la seguridad.
   • Módulo de Seguridad: Modifica o anula los comandos nominales para imponer restricciones de seguridad. Este diseño desacoplado permite a los usuarios intercambiar algoritmos de seguridad sin alterar la política nominal.

B. Opciones de Seguridad y Algoritmos

SPARK implementa una suite de algoritmos de seguridad basados en funciones de energía (métodos basados en valores) que definen una función de energía escalar $\phi(x)$ para cuantificar el riesgo. El marco soporta:

• Algoritmo de Conjunto Seguro (SSA - Safe Set Algorithm): Utiliza un índice de seguridad para asegurar que el sistema permanezca dentro de un conjunto seguro.
• Función de Barrera de Control (CBF - Control Barrier Function): Impone la seguridad asegurando que $\dot{\phi} < -\alpha(\phi)$.
• Conjunto Seguro de Subnivel (SSS - Sublevel Safe Set): Combina las fortalezas de SSA y CBF, aplicando correcciones solo cuando las restricciones están activas.
• Método de Campo de Potencial (PFM - Potential Field Method): Utiliza fuerzas repulsivas en el espacio cartesiano.
• Algoritmo de Modo de Deslizamiento (SMA - Sliding Mode Algorithm): Mantiene el estado del sistema alrededor de una capa de deslizamiento definida por $\phi=0$.

Estos algoritmos resuelven problemas de optimización con restricciones (típicamente Programación Cuadrática) para minimizar la desviación del control de referencia mientras se satisfacen las restricciones de seguridad derivadas de funciones de distancia por pares entre los eslabones del robot y los obstáculos.

C. Suite de Benchmark

SPARK proporciona una suite de pruebas estandarizada que cuenta con:

• Configuraciones de Robot: Basadas en el humanoide Unitree G1, incluyendo variaciones como dinámica de base fija, base móvil (flotante) y modo deportivo (política aprendida).
• Objetivos de Tarea: Manipulación de brazos (alcanzar objetivos 3D) y navegación de base (llegar a un objetivo 2D).
• Restricciones: Obstáculos estáticos y dinámicos (modelados como esferas y cajas), evitación de colisiones propias y densidades de obstáculos variables.
• Métricas: Puntuaciones promedio paso a paso para el seguimiento de objetivos del brazo/base ($J_{arm}, J_{base}$) y seguridad propia/del entorno ($M_{self}, M_{env}$).

3. Contribuciones Clave

• Un Marco Modular: SPARK ofrece una arquitectura de "conectar y usar" (plug-and-play) que permite a los usuarios ensamblar escenarios de control seguro personalizados intercambiando módulos (por ejemplo, cambiando la dinámica del robot, las tareas o los algoritmos de seguridad) sin reingenierizar todo el sistema.
• Benchmarking Estandarizado: Proporciona el primer benchmark estandarizado diseñado específicamente para comparar enfoques de control seguro basados en modelos en robots humanoides de alta dimensionalidad, abordando un vacío en la literatura existente que se centra fuertemente en RL seguro o plataformas más simples.
• Despliegue Sim-to-Real: El marco une la simulación y la realidad mediante el soporte de middleware en tiempo real (ROS, DDS) y sensores externos (Apple Vision Pro, Captura de Movimiento), permitiendo el despliegue directo de los controladores sintetizados en hardware real (Unitree G1).
• Suite de Algoritmos Integral: Implementa y compara cinco algoritmos de control seguro distintos, proporcionando una línea base para investigaciones futuras y una caja de herramientas para profesionales.

4. Resultados Experimentales

Los autores evaluaron SPARK a través de benchmarks de simulación y casos de estudio con robots reales utilizando el Unitree G1.

• Rendimiento de los Algoritmos:
  • Los métodos basados en optimización (SSA, CBF, SSS) demostraron un equilibrio superior entre seguridad y eficiencia en comparación con PFM, el cual tuvo dificultades en espacios articulares de alta dimensionalidad.
  • SSS logró las tasas de éxito más altas para tareas de movimiento de cuerpo completo, mientras que SMA funcionó bien para tareas de base fija.
  • CBF destacó en la seguridad ambiental pero a veces sacrificó la precisión del movimiento.
  • PFM mostró consistentemente el rendimiento más bajo en entornos complejos y con restricciones.
• Compromisos (Trade-offs): El estudio resaltó el compromiso inherente entre la seguridad y la eficiencia. Los métodos basados en optimización generalmente priorizaron la seguridad, mientras que los métodos no de optimización como SMA ofrecieron mejor eficiencia en escenarios más simples.
• Despliegue en el Mundo Real:
  • Autonomía Segura: El robot real evitó colisiones con manos humanas mientras rastreaba objetivos estáticos y dinámicos.
  • Teleoperación Segura: Usando Apple Vision Pro, el robot ejecutó de forma segura comandos de teleoperación (por ejemplo, recuperar objetos) mientras priorizaba la evitación de colisiones cuando una mano humana entraba en la zona de seguridad.
  • Correlación Sim-to-Real: El análisis estadístico mostró una alta correlación de Pearson ($r > 0.7$) entre las métricas de simulación y las del mundo real para el seguimiento de objetivos y distancias de seguridad, validando la fidelidad del marco de trabajo.
  • Costo Computacional: El sistema mantuvo una frecuencia de ejecución de aproximadamente 70–100 Hz en una CPU de laptop estándar, lo cual es suficiente para el control en tiempo real.

5. Significación y Reivindicaciones

El artículo afirma que SPARK reduce significativamente la barrera para la síntesis y el despliegue de controladores seguros para sistemas robóticos complejos. Al proporcionar un marco modular, extensible y composible, permite a los investigadores:

• Prototipar y evaluar rápidamente estrategias de control seguro a través de diversas configuraciones de robot y tareas.
• Transicionar sin fricciones desde la simulación hacia el despliegue en el mundo real.
• Evaluar sistemáticamente los compromisos entre seguridad y rendimiento, fomentando el desarrollo de una autonomía de humanoides más robusta.

Los autores reconocen limitaciones, señalando que la implementación actual no distingue entre colisiones inevitables y fallos del método, y que el "desajuste de modelo" (model mismatch) entre simulación y realidad sigue siendo un desafío. Posicionan a SPARK como una herramienta fundamental para acelerar la investigación, con planes futuros para integrar aprendizaje por refuerzo seguro, herramientas de verificación formal y el ajuste automatizado de estrategias.