Bi-Level Optimization for Contact and Motion Planning in Rope-Assisted Legged Robots

A continuación se presenta un resumen técnico detallado del artículo "Optimización de dos niveles para la planificación de contactos y movimiento en robots bípedos asistidos por cuerdas".

1. Planteamiento del Problema

El artículo aborda el desafío de la planificación de la locomoción para robots bípedos que escalan superficies verticales o empinadas utilizando cuerdas. Si bien las cuerdas permiten acceder a zonas de otro modo inaccesibles, introducen una complejidad significativa en la planificación y el control debido a:

• Subactuación: La tensión de la cuerda es unilateral (las cuerdas pueden tirar pero no empujar) y la gravedad limita el movimiento lateral.
• Naturaleza de Números Enteros Mixtos: El problema requiere seleccionar simultáneamente ubicaciones de contacto discretas (dónde aterrizar) y optimizar entradas de control continuas (tensiones de la cuerda, fuerzas de las piernas, tiempos de salto).
• Restricciones Ambientales: El robot debe navegar terrenos complejos y desiguales (por ejemplo, paredes rocosas con salientes, grietas y obstáculos) mientras cumple con los límites físicos del hardware (límites de actuación, conos de fricción).

Los métodos existentes dependen ya sea de relajaciones implícitas de contacto (computacionalmente pesadas) o de una parametrización explícita (complejidad exponencial con los candidatos de contacto). Este artículo propone una solución específicamente para robots de salto asistidos por cuerdas que equilibra la eficiencia computacional con la factibilidad dinámica.

2. Metodología

Los autores proponen un Marco de Optimización de Dos Niveles que desacopla la toma de decisiones discretas (programación de contactos) de la optimización continua de la trayectoria.

A. Plataforma Robótica (ALPINE)

El marco se valida en el robot ALPINE, una plataforma novedosa que presenta:

• Dos Cuerdas: Conectadas a anclajes fijos, enrolladas/desenrolladas independientemente por motores de cabrestante.
• Pierna Prismática: Inicia los saltos empujando al robot lejos de la pared.
• Piernas de Aterrizaje: Resortes torsionales pasivos para disipar la energía cinética.
• Hélice Trasera: Corrige errores de seguimiento en la dirección normal al plano de la cuerda durante el vuelo.
• Modelo: Se utiliza un modelo de orden reducido de 3 grados de libertad (3-DOF) para la planificación, asumiendo que las cuerdas permanecen tensas y la masa está concentrada en el Centro de Masa (CoM), eliminando las restricciones holónomas mediante coordenadas generalizadas ($\psi, l_1, l_2$).

B. Generación del Mapa de Costos

Se genera un mapa de costos del terreno a partir de un mapa de alturas (nube de puntos) para guiar la selección de parches:

• Filtros: Pendiente (derivadas de primer orden), Rugosidad (derivadas de segundo orden) y Profundidad (penalizando regiones profundas dentro de la vertical del anclaje).
• División en Parches: El entorno se divide en parches discretos. Cada parche tiene una puntuación de calidad basada en una combinación lineal de los filtros.

C. El Esquema de Optimización de Dos Niveles

El algoritmo central consta de un bucle externo y un bucle interno:

1. Bucle Externo: Programación de Contactos (Método de Entropía Cruzada - CEM)

• Objetivo: Determinar el número de saltos ($n$) y la secuencia de parches de aterrizaje ($\pi$).
• Enfoque: Utiliza un Método de Entropía Cruzada libre de gradientes y de caja negra para manejar variables enteras discretas.
• Proceso:
  • Muestra soluciones candidatas (conteos de saltos e IDs de parches) de una distribución de probabilidad categórica.
  • Evalúa candidatos basándose en una función de costo $F(D)$.
  • Actualiza la distribución de probabilidad basándose en muestras "élite" (de mejor rendimiento) para converger hacia secuencias óptimas.
• Función de Costo: Combina el costo promedio del terreno de los parches seleccionados y el resultado del bucle interno (consumo de energía + penalización de convergencia).

2. Bucle Interno: Optimización de Trayectoria (Programación No Lineal)

• Objetivo: Calcular trayectorias de salto dinámicamente factibles y optimizar las coordenadas exactas de aterrizaje dentro de los parches seleccionados.
• Enfoque: Formulado como un Problema de Control Óptimo No Lineal (OCP) transcritos en un Programa No Lineal (NLP).
• Variables:
  • Estados: Coordenadas generalizadas ($\psi, l_1, l_2$) y sus velocidades.
  • Controles: Fuerzas de la cuerda ($f_{rl}, f_{rr}$) e impulso de la pierna ($f_{leg}$).
  • Variables de Decisión: Duración del salto ($t_f$) y posición de aterrizaje dentro del parche.
• Restricciones:
  • Dinámica: Dinámica del robot de orden reducido.
  • Colisión: Asegura que el robot no interseque la malla de la pared (utilizando una función de distancia con signo).
  • Actuación: Fuerzas unilaterales de la cuerda, límites de empuje de la pierna y restricciones del cono de fricción.
  • Aterrizaje: Hace cumplir el aterrizaje dentro del parche seleccionado y la consistencia con la malla del terreno.
• Objetivo: Minimizar el suavizado de la fuerza de la cuerda, el trabajo del cabrestante (energía) y el costo del terreno en el punto de aterrizaje.

3. Contribuciones Clave

1. Marco de Dos Niveles: Una arquitectura novedosa que combina CEM para la planificación discreta de contactos y NLP basado en gradientes para la planificación continua de movimiento, adaptada específicamente a sistemas subactuados asistidos por cuerdas.
2. Optimización Simultánea: La capacidad de optimizar ubicaciones de aterrizaje dentro de un parche y trayectorias de salto simultáneamente, en lugar de fijar los contactos a priori.
3. Conciencia del Terreno: Integración de un mapa de costos morfológico (pendiente, rugosidad, profundidad) para guiar al robot hacia zonas de aterrizaje seguras y planas, evitando obstáculos.
4. Validación en ALPINE: Demostración exitosa en una plataforma robótica compleja y subactuada con dinámicas y restricciones realistas.

4. Resultados Experimentales

El marco se probó en tres escenarios de simulación utilizando el robot ALPINE en Gazebo con un controlador MPC:

• Caso de Uso 1 (Obstáculo Hemisférico): El robot tuvo que navegar alrededor de un gran obstáculo hemisférico. El planificador determinó exitosamente que un solo salto era inviable y generó una secuencia de múltiples saltos (3 saltos) para sortear el obstáculo, convergiendo después de 4 iteraciones de CEM.
• Caso de Uso 2 (Terreno de Múltiples Abultamientos): El robot navegó un camino descendente con obstáculos complejos. A pesar de que la gravedad ayudaba al movimiento, el patrón de obstáculos requería al menos 3 saltos. La duración total de la secuencia fue de 9.45 segundos.
• Caso de Uso 3 (Pared Rocosas con MPC): Una simulación de alta fidelidad en una pared rocosa texturizada. El planificador generó una trayectoria de 20 m que requería múltiples saltos. El sistema utilizó re-optimización después de cada aterrizaje (utilizando el estado real de aterrizaje como nueva condición inicial) para corregir errores de seguimiento. El controlador MPC rastreó exitosamente las trayectorias optimizadas, rechazando perturbaciones mediante la hélice y la actuación de la cuerda.

Rendimiento:

• El solucionador CEM exploró efectivamente el espacio de búsqueda, evitando mínimos locales mediante un mecanismo de regularización (probabilidad mínima para todas las clases).
• La paralelización del bucle externo de CEM redujo significativamente el tiempo de ejecución.
• El sistema manejó exitosamente la compensación entre el consumo de energía y el cumplimiento de restricciones (por ejemplo, utilizando duraciones de salto más largas para acomodar la actuación limitada de la cuerda).

5. Significado y Trabajo Futuro

• Significado: Este trabajo cierra la brecha entre la planificación de contactos discretos y el control continuo de movimiento para robots asistidos por cuerdas. Demuestra que tareas complejas de escalada subactuadas pueden resolverse de forma autónoma tratando la selección de contactos como un problema de búsqueda probabilística guiado por la factibilidad dinámica.
• Limitaciones: El modelo actual no tiene en cuenta la penetración del cable en obstáculos ni el agotamiento del suministro de gas neumático para el actuador de la pierna.
• Trabajo Futuro: Los autores planean incorporar modelos de interacción cable-obstáculo, añadir términos de aptitud para el agotamiento de recursos energéticos y validar el marco en hardware físico.

En conclusión, el artículo presenta una tubería de planificación robusta y computacionalmente eficiente que permite a los robots bípedos navegar autónomamente terrenos verticales desafiantes combinando inteligentemente la asistencia de cuerdas con capacidades de salto dinámico.