Safe Human-to-Humanoid Motion Imitation Using Control Barrier Functions

Resumen Técnico: Imitación Segura de Movimiento Humano a Humanoide mediante Funciones de Barrera de Control

1. Planteamiento del Problema

La imitación de movimiento humano a humanoide es fundamental para la interacción intuitiva, la teleoperación y el control basado en demostraciones. Sin embargo, los enfoques convencionales dependen a menudo de dispositivos portátiles o sistemas de captura de movimiento dedicados, que son costosos y poco prácticos para el despliegue diario. Aunque la estimación de poses basada en visión ha avanzado, la percepción y el reasignamiento (retargeting) por sí solos no garantizan la seguridad.

El desafío central identificado es cómo mantener una imitación responsiva mientras se enforza la evitación de colisiones en tiempo real. Durante el seguimiento de movimientos del cuerpo superior, el robot puede enfrentar dos tipos de riesgos críticos:

1. Autocolisiones: Cuando los brazos del robot se cruzan o chocan con su propio torso.
2. Colisiones Humano-Robot: Cuando los movimientos del robot entran en conflicto con el demostrador humano.

El objetivo es desarrollar un marco que filtre los comandos de imitación para prevenir estas colisiones sin sacrificar la fidelidad del movimiento.

2. Metodología Propuesta

El artículo presenta un marco unificado basado en visión que integra estimación de pose, reasignación de movimiento y un filtro de seguridad en tiempo real.

• A. Estimación de Ángulos de Pose y Reasignación:

  • Se utiliza una sola cámara para capturar puntos clave del esqueleto humano.
  • Los puntos crudos se filtran mediante un Exponential Moving Average (EMA) con rechazo de saltos para mejorar la robustez.
  • Se estima una representación reducida de la pose humana (8 grados de libertad: torso, hombros y codos) sin resolver un problema completo de cinemática inversa.
  • Se aplica un retraso afín (affine retargeting) con proyección de límites articulares para mapear la pose humana al espacio de articulaciones del robot, generando un comando nominal ($q_{nom}$).

• B. Modelo de Colisión Basado en Cápsulas:

  • Tanto el robot como el humano se modelan geométricamente utilizando un conjunto de 7 cápsulas (torso, brazos superiores e inferiores, y muslos).
  • Las cápsulas se definen por dos puntos finales y un radio, ofreciendo un equilibrio entre precisión geométrica y eficiencia computacional.
  • Para el humano, las cápsulas se extraen directamente de los puntos del esqueleto filtrados y se transforman al marco de referencia del robot.

• C. Control de Seguridad con Funciones de Barrera (CBF) y Programación Cuadrática (QP):

  • Se implementa una capa de seguridad que utiliza Funciones de Barrera de Control (CBF) de primer orden.
  • Se define una función de seguridad $h_{AB}$ basada en la distancia mínima entre pares de cápsulas (robot-humano o robot-robot). Si $h > 0$, hay separación segura; si $h < 0$, hay colisión.
  • La condición de seguridad se formula como una restricción lineal sobre la velocidad de las articulaciones ($u = \dot{q}$): $\dot{h} + \gamma h \geq 0$.
  • Formulación QP: El sistema resuelve un problema de optimización cuadrática en tiempo real para encontrar la velocidad de articulación óptima ($u^*$) que minimiza la desviación del comando nominal ($u_{ref}$) sujeto a las restricciones de seguridad de todas las parejas de cápsulas activas.
  • Si no hay riesgo de colisión, el robot sigue la imitación nominal. Si se detecta una restricción inminente, el QP modifica suavemente el movimiento para mantener la seguridad.

3. Contribuciones Clave

1. Marco de Seguridad Basado en Visión: Establece un sistema completo que genera movimiento consciente de colisiones directamente desde observaciones visuales, eliminando la necesidad de sensores portátiles.
2. Filtro Unificado CBF-QP: Utiliza una formulación basada en cápsulas para manejar simultáneamente la autocolisión y la colisión humano-robot dentro de una única capa de control en tiempo real.
3. Análisis Comparativo de Primitivas de Colisión: Presenta benchmarks exhaustivos comparando modelos geométricos (esferas, cajas delimitadoras y cápsulas) en términos de complejidad de restricciones y eficiencia computacional, justificando la elección del modelo de cápsulas.

4. Resultados y Evaluación

Los resultados se validaron mediante simulaciones de alta fidelidad:

• Desempeño de Seguridad:
  • En escenarios de autocolisión (ej. cruzar los brazos) y colisión humano-robot (ej. levantar el brazo al lado del humano), el sistema demostró que el movimiento nominal violaría los límites de seguridad.
  • La capa CBF-QP intervino exitosamente, modificando las trayectorias articulares para mantener márgenes de seguridad sin perder la esencia del movimiento imitado.
• Benchmarks Computacionales:
  • Se compararon diferentes implementaciones (CPU vs. GPU) y geometrías (esferas, cajas, cápsulas).
  • Tabla I (Resultados Clave): El modelo de cápsulas ejecutado en GPU mostró el mejor rendimiento global.
    • Logró una tasa de actualización de 33.084 Hz en GPU.
    • Mantuvo un número bajo de restricciones (72) en comparación con la descomposición en esferas (hasta 1988 restricciones).
    • Mostró tiempos de resolución (solve time) muy rápidos (0.030 s), lo que es crucial para el control en tiempo real.
  • Se observó que el uso de GPU proporcionó una mejora significativa en el rendimiento debido al procesamiento paralelo de las restricciones.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la imitación de movimiento basada en visión y la seguridad operativa garantizada en robots humanoides.

• Viabilidad Práctica: Demuestra que es posible lograr una imitación segura y reactiva sin hardware costoso, utilizando solo una cámara y algoritmos de filtrado eficientes.
• Escalabilidad: La elección del modelo de cápsulas y la implementación en GPU sugieren que el sistema es escalable y apto para su implementación en hardware real (robots físicos), no solo en simulación.
• Futuro: El marco sienta las bases para futuras investigaciones en control interactivo humano-robot, con planes para implementar el sistema en robots reales y evaluar la fidelidad de la imitación cuantitativamente.

En resumen, el artículo propone una solución robusta y eficiente para el problema crítico de la seguridad en la interacción humano-robot, combinando visión por computadora moderna con teoría de control de seguridad avanzada (CBF).