Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios

Resumen Técnico: Priorización Proactiva de Seguridad Basada en Funciones de Barrera de Control Jerárquico en Escenarios de Interacción Cercana Humano-Robot

1. Planteamiento del Problema

La integración de robots colaborativos (cobots) en entornos compartidos con humanos presenta un desafío crítico: la naturaleza impredecible y dinámica del movimiento humano puede generar situaciones donde las colisiones son inevitables si no se gestionan proactivamente. Los enfoques tradicionales de control de seguridad a menudo tratan todas las restricciones de seguridad por igual, lo que puede llevar a dos problemas principales:

• Inviabilidad del controlador: Cuando múltiples restricciones de seguridad entran en conflicto (por ejemplo, evitar la cabeza y la mano simultáneamente en un espacio confinado), el problema de optimización cuadrática (QP) puede volverse infactible, dejando al robot sin una solución de control segura.
• Falta de jerarquización de riesgos: No todos los impactos son iguales. Una colisión con la cabeza de un humano es mucho más crítica que una con la mano. Los sistemas actuales carecen a menudo de mecanismos para priorizar dinámicamente la protección de partes del cuerpo más vulnerables sobre las menos críticas cuando un compromiso es necesario.

2. Metodología Propuesta

Los autores proponen un marco de control jerárquico basado en Funciones de Barrera de Control (CBF) que incorpora un mecanismo de priorización de seguridad mediante variables de relajación.

• Arquitectura de Control Jerárquico:

  • Capa de Rendimiento: Un controlador inverso de cinemática calcula las velocidades articulares deseadas ($\dot{q}_{perf}$) para seguir una trayectoria de referencia.
  • Capa de Seguridad: Un controlador de seguridad supervisa el estado del robot y ajusta las velocidades ($\dot{q}_{safe}$) para garantizar que el sistema permanezca dentro de un conjunto seguro ($X_s$), resolviendo un problema de optimización en tiempo real.

• Funciones de Barrera de Control (CBF) y Jerarquía:

  • Se definen CBFs basadas en la distancia entre los eslabones del robot y partes específicas del cuerpo humano (cabeza y mano).
  • Variable de Relajación ($\delta_{ha}$): Para manejar conflictos de restricciones, se introduce una variable de relajación asociada a la restricción de menor prioridad (la mano). Esto permite que la restricción de la mano se viole ligeramente (relajarse) si es necesario para satisfacer estrictamente la restricción de mayor prioridad (la cabeza).
  • Función de Penalización: Se añade un término de costo $\beta \delta_{ha}^2$ a la función objetivo. El parámetro $\beta$ controla el equilibrio: un $\beta$ alto penaliza fuertemente la relajación, forzando al robot a evitar la mano a menos que sea estrictamente necesario sacrificarla para salvar la cabeza.

• Percepción y Detección:

  • Se utiliza una cámara de profundidad ZED2i con un modelo de esqueleto de 34 puntos clave para la detección y seguimiento de la postura humana en tiempo real (60 Hz).
  • Los datos de posición 3D de la cabeza y las manos se utilizan para construir dinámicamente las restricciones de seguridad en el espacio de estados del robot.

• Formulación Matemática:
  El problema se formula como un programa cuadrático (QP) relajado:
  $$\min_{\dot{q}_{safe}, \delta_{ha} \geq 0} \| \dot{q}_{safe} - \dot{q}_{perf} \|^2 + \beta \delta_{ha}^2$$
  Sujeto a:

  • Restricción estricta para la cabeza: $A_{head}(\dots) \geq -\alpha(h_{head})$
  • Restricción relajada para la mano: $A_{hand}(\dots) \geq -\alpha(h_{hand}) - \delta_{ha}$

3. Contribuciones Clave

1. Marco Jerárquico con Priorización Dinámica: Desarrollo de un sistema que utiliza variables de relajación para permitir compensaciones de restricciones basadas en la criticidad de las partes del cuerpo humano (cabeza > mano), garantizando que las restricciones de alto riesgo nunca se descuiden.
2. Validación Experimental Real: Implementación y prueba en un robot Franka Research 3 (7 grados de libertad) equipado con la cámara ZED2i, demostrando la viabilidad en un entorno físico real.
3. Análisis de Estabilidad y Complejidad: Demostración teórica de la estabilidad del sistema (convergencia BIBO) y análisis de complejidad computacional ($O(n^{3.5})$), confirmando que el tiempo de cálculo es suficientemente bajo para operar en tiempo real (aprox. 0.16 ms por ciclo de solver).

4. Resultados Experimentales

• Comportamiento en Interacción: En pruebas donde un operador movía su cabeza y mano cerca del robot, el sistema reaccionó rápidamente. Cuando la mano se acercaba rápidamente, el robot podía "sacrificar" la restricción de la mano (permitiendo una distancia menor o contacto suave) para mantener una distancia segura de la cabeza.
• Pruebas de Cobertura y Simulación: Se realizaron simulaciones con obstáculos de diferentes prioridades (rojo, azul, verde).
  • El controlador CBF básico (sin relajación) falló en escenarios difíciles, generando violaciones de restricciones o colisiones con obstáculos de alta prioridad.
  • El Hierarchical-CBF mantuvo la seguridad de los obstáculos de alta prioridad (rojo) en el 100% de los casos, permitiendo violaciones controladas solo en obstáculos de baja prioridad (verde/azul) mediante el uso de $\delta_{max}$.
• Métricas: Se registraron distancias relativas y velocidades. Los resultados mostraron que el sistema logra un equilibrio entre seguir la trayectoria deseada y mantener la seguridad, con un error de seguimiento (RMSE) bajo y una gestión efectiva de la infeasibilidad.

5. Significado e Impacto

Este trabajo representa un avance significativo en la seguridad de la interacción humano-robot (HRI) al pasar de una visión binaria de "seguro/inseguro" a una gestión de riesgos proactiva y jerárquica.

• Seguridad Adaptativa: Permite que los robots operen más cerca de los humanos sin comprometer la seguridad de las zonas más vulnerables, aumentando la eficiencia en tareas colaborativas.
• Robustez en Entornos Dinámicos: La capacidad de resolver conflictos de restricciones en tiempo real evita que el robot se detenga o falle en situaciones de alta densidad de obstáculos.
• Escalabilidad: El marco propuesto puede integrarse en controladores de robots existentes y extenderse a otros tipos de robots móviles o manipuladores en entornos industriales y de servicios.

En conclusión, el estudio demuestra que la combinación de CBFs jerárquicos, variables de relajación y percepción 3D en tiempo real permite una colaboración humano-robot más fluida, segura y adaptable, mitigando el riesgo de lesiones graves incluso en escenarios donde las colisiones son físicamente inevitables si no se priorizan correctamente las restricciones.