HMPCC: Human-Aware Model Predictive Coverage Control

1. Planteamiento del Problema

El trabajo aborda el desafío de coordinar un equipo de robots para cubrir un entorno desconocido mientras operan de forma segura junto a agentes no cooperativos (humanos).

• Limitaciones de los métodos tradicionales: Las estrategias de cobertura convencionales (como teselaciones de Voronoi y el algoritmo de Lloyd) suelen asumir entornos convexos, distribuciones de densidad conocidas y dinámicas robóticas simples. Además, a menudo tratan la presencia humana de manera reactiva o con modelos estáticos, lo que resulta insuficiente en escenarios dinámicos e inciertos.
• El reto: La imprevisibilidad del comportamiento humano (toma de decisiones y movimiento) aumenta la incertidumbre. Es crucial coordinar el movimiento de los robots para evitar colisiones y mantener la eficiencia de la cobertura sin depender de comunicaciones explícitas (escenarios hostiles o con comunicación limitada).

2. Metodología Propuesta: HMPCC

Los autores proponen HMPCC (Control de Cobertura Predictivo de Modelo Consciente del Humano), un marco basado en Control Predictivo de Modelo (MPC) que integra la predicción de trayectorias humanas directamente en el proceso de planificación.

Componentes Clave:

• Modelado del Entorno: El entorno se modela como un Modelo de Mezcla Gaussiana (GMM) que representa las regiones de interés mediante una función de probabilidad $\phi(q)$.
• Predicción de Trayectorias Humanas (HTP): Se utiliza un predictor probabilístico para estimar las futuras posiciones de los humanos. La posición de un humano $i$ en el paso de tiempo $k$ se modela como una distribución gaussiana $\mathcal{N}(\mu^k_i, \Sigma^k_i)$, donde la covarianza representa la incertidumbre creciente con el tiempo.
• Control Descentralizado: Los robots operan de manera totalmente descentralizada, sin comunicación explícita entre ellos, lo que es vital para entornos hostiles.
• Formulación de Optimización (MPC):
  • Función de Costo: Se minimiza una suma de dos términos:
    1. Costo de Cobertura ($J^{cov}$): Busca posicionar a los robots en los centroides de sus celdas de Voronoi limitadas, maximizando la cobertura de las áreas de alta densidad.
    2. Costo de Entrada de Control ($J^u$): Penaliza maniobras agresivas y consumo de energía para generar trayectorias suaves.
    3. Costo de Relajación ($J^\delta$): Penaliza el uso de variables de holgura para relajar restricciones de seguridad a lo largo del horizonte de predicción.
  • Restricciones:
    • Dinámica del Robot: Se respetan las ecuaciones de movimiento no lineales (pueden ser integradores simples, dobles integradores o unicycle).
    • Evitación de Obstáculos: Se imponen restricciones de distancia segura respecto a obstáculos estáticos.
    • Evitación de Humanos (Restricciones de Probabilidad): Se utiliza una restricción de probabilidad (chance constraint). En lugar de evitar la posición media del humano, se garantiza que la probabilidad de que la distancia entre el robot y el humano caiga por debajo de un umbral de seguridad $D_s$ sea menor a un nivel de riesgo $\alpha$. Esto se formula utilizando la distancia de Mahalanobis.

3. Contribuciones Principales

1. Marco MPC para Cobertura: Desarrollo de un marco de control basado en optimización que maneja dinámicas robóticas genéricas (no lineales) y entornos no convexos, superando las limitaciones de los métodos analíticos tradicionales.
2. Integración de Predicción Humana: Incorporación explícita de la predicción de trayectorias humanas dentro de la formulación del MPC. Esto permite a los robots anticipar el movimiento humano y coordinar sus acciones proactivamente, en lugar de reaccionar solo cuando el humano está cerca.
3. Operación en Entornos Hostiles: El sistema funciona sin comunicación entre robots, utilizando solo la percepción local y la predicción, lo que lo hace robusto en escenarios donde la comunicación es limitada o inexistente.

4. Resultados Experimentales

Los autores evaluaron HMPCC en simulaciones (Gazebo) y compararon su rendimiento contra un enfoque híbrido de referencia (cobertura de Voronoi limitada + fuerzas repulsivas para colisiones).

• Entorno Convexo sin Humanos: HMPCC demostró una convergencia más rápida hacia la configuración óptima de cobertura en comparación con el método de referencia, debido a la planificación óptima basada en la minimización de costos en lugar de reglas de control simples.
• Entorno No Convexo sin Humanos: Mientras que el método de referencia a menudo quedaba atrapado en mínimos locales al encontrar obstáculos, HMPCC logró navegar exitosamente alrededor de ellos gracias a la optimización con restricciones, alcanzando una cobertura efectiva superior.
• Entorno No Convexo con Humanos:
  • Seguridad y Éxito: En escenarios con humanos, el método de referencia falló en la mayoría de las ejecuciones (tasas de éxito bajas o nulas debido a colisiones), mientras que HMPCC mantuvo una tasa de éxito del 100% (o muy alta) incluso con múltiples humanos.
  • Eficiencia: Aunque la presencia humana reduce temporalmente la métrica de cobertura (los robots se alejan para evitar colisiones), HMPCC logra recuperar la cobertura de manera eficiente una vez que los humanos han pasado.
  • Comportamiento: Los robots demostraron capacidad para "hacer espacio" a los humanos, dispersarse temporalmente y regresar a las zonas de interés, todo ello sin colisiones.
• Validación Física: Se realizó una simulación en tiempo real con robots TurtleBot3, confirmando la viabilidad computacional del enfoque a 10 Hz.

5. Significado e Impacto

El trabajo de HMPCC representa un avance significativo en la robótica de enjambre y la interacción humano-robot:

• Seguridad Proactiva: Cambia el paradigma de "evitar colisiones reactivamente" a "anticipar y planificar alrededor de la incertidumbre humana".
• Robustez Operativa: Demuestra que es posible realizar tareas complejas de cobertura en entornos reales, no convexos y dinámicos, sin depender de infraestructuras de comunicación externas.
• Aplicabilidad: El método es directamente aplicable a escenarios críticos como búsqueda y rescate, vigilancia y monitoreo ambiental donde la interacción con humanos es inevitable y la seguridad es primordial.

En conclusión, HMPCC ofrece una solución robusta y eficiente que integra la predicción humana en el núcleo del control, permitiendo a los robots operar de forma segura y autónoma en entornos compartidos y complejos.