Resumen Técnico: Selección y Planificación Simultánea de Contactos para Manipulación Rica en Contactos con Optimización en Cascada

1. Planteamiento del Problema

La manipulación rica en contactos requiere que los robots realicen y rompan contactos con objetos de manera intencional para llevarlos a estados deseados. Esto implica planificar una secuencia de trayectorias de aproximación, ubicaciones de contacto, fuerzas de contacto y transiciones entre modos de contacto (contacto, separación, deslizamiento, adherencia).

Los enfoques existentes enfrentan limitaciones significativas:

• Métodos Jerárquicos y de Programación Entera Mixta: Los trabajos iniciales separaron la planificación de estados continuos de la búsqueda de modos de contacto discretos o utilizaron programas de programación entera mixta. Estos a menudo sufren de mala escalabilidad debido a la explosión combinatoria de las trayectorias de contacto, lo que limita las estrategias de manipulación y la robustez.
• Métodos Basados en Aprendizaje: Aunque capaces de manejar dinámicas no suaves mediante aprendizaje por refuerzo (RL) fuera de línea, a menudo luchan con la generalización a través de diversos tipos de objetos y nuevos entornos de tareas.
• Control Predictivo de Modelo Implícito en Contacto (CIMPC): Los métodos basados en modelos recientes como el CIMPC permiten la planificación híbrida en línea. Sin embargo, generalmente carecen de selección activa de contactos. Confían en funciones de costo diseñadas a mano o en trayectorias de referencia dadas, lo que restringe la manipulación a una distribución estrecha de comportamientos. Esto los hace propensos a óptimos locales, especialmente cuando la suposición inicial del robot es pobre o al enfrentarse a objetos con geometrías complejas. Además, la complementariedad inherente a la dinámica de contacto introduce no suavidad y gradientes dispersos, lo que dificulta el diseño unificado de la selección de contactos y la planificación.

El desafío central abordado es la falta de un marco unificado que pueda razonar autónomamente y generar secuencias diversas de ubicaciones de contacto y trayectorias de manipulación en tiempo real, particularmente bajo dinámicas inexactas y ruido perceptual.

2. Metodología: Marco SCSP

Los autores proponen la Selección y Planificación Simultánea de Contactos (SCSP), un nuevo marco de optimización en cascada que comprende dos módulos: Optimización de Selección de Contactos (CSO) y Optimización de Planificación de Contactos (CPO).

A. Optimización de Selección de Contactos (CSO)

CSO está diseñado para realizar una búsqueda global de ubicaciones de contacto óptimas en la superficie del objeto, abordando los problemas de dispersión de gradientes y no suavidad inherentes a la planificación híbrida.

1. Discretización mediante Muestreo e Intercambio: Para manejar la no suavidad de la geometría del objeto, CSO muestrea puntos de contacto candidatos en la superficie del objeto.
   • Descomposición Convexa Aproximada (ACD): La geometría del objeto se descompone en polígonos convexos para mitigar la interferencia de detalles locales y mejorar la alcanzabilidad/estabilidad.
   • Muestreo del Punto Más Lejano (FPS): Los puntos se muestrean uniformemente en la aproximación convexa.
   • Selección de Región Válida: Un procedimiento en línea filtra regiones inalcanzables, ocluidas o semánticamente inadecuadas para formar un conjunto de candidatos válido.
2. Modelo de Contacto Sustituto (SCM): Para resolver la complejidad computacional y las restricciones de complementariedad de la dinámica de contacto original, los autores introducen un SCM.
   • Suposiciones: El modelo asume un conjunto de contacto fijo durante intervalos cortos y desacopla las interacciones de múltiples contactos en sistemas independientes de muelle-amortiguador.
   • Formulación: Esto permite expresar la fuerza de contacto del entorno como una función explícita, lineal a trozos, de las fuerzas de contacto del robot.
   • Optimización: El problema se reformula como un problema de Programación Cuadrática Entera Mixta (MIQP). El bucle interno (optimización de fuerza de contacto) es un Programa Cuadrático (QP) resoluble en escalas de tiempo de sub-milisegundos, mientras que el bucle externo (selección de ubicación de contacto) se resuelve de manera eficiente.
3. Objetivo: El objetivo de CSO prioriza alcanzar un conjunto de posturas estáticamente estables ($X_g$) antes de minimizar el error de postura final, evitando la generación de priores de contacto inestables.

B. Optimización de Planificación de Contactos (CPO)

CPO toma las ubicaciones de contacto óptimas predichas por CSO como referencias y genera trayectorias de aproximación y contacto ejecutables en línea.

1. Estrategia de Clasificación: Para mejorar la robustez, CPO no sigue ciegamente la salida de CSO. Evalúa el punto más cercano ($p_{near}$) a la configuración actual del robot frente al punto óptimo predicho por CSO ($\hat{p}^*_r$).
   • Se calcula una relación de mejora ($\rho$) para determinar si $p_{near}$ es una referencia subóptima suficientemente buena.
   • Una estrategia de ventana deslizante controla el cambio entre $\hat{p}^*_r$ y $p_{near}$ para evitar cambios de contacto frecuentes e inestables.
2. Planificación Híbrida Guiada por Prioridades: La optimización de la trayectoria se descompone en tres etapas dentro de un objetivo unificado:
   • Fase de Elevación: Guía el efector final lejos del objeto y hacia un punto de paso intermedio por encima de la ubicación de contacto objetivo utilizando potenciales repulsivos y atractivos.
   • Fase de Colocación: Impulsa el efector final hacia la ubicación de contacto de referencia ($p_{ref}$) para establecer contacto.
   • Conmutación: La transición entre fases se controla mediante la variable activadora de clasificación $\gamma$.
3. Solucionadores: El marco admite diferentes solucionadores, incluido el Control del Espacio Operacional (OSC) para la planificación de contactos puntuales y MPC basado en muestreo (por ejemplo, MPPI) para la planificación de robots redundantes de orden completo.

3. Contribuciones Clave

1. Marco de Optimización en Cascada: Un nuevo marco SCSP que integra la selección activa de contactos (CSO) con la planificación de contactos (CPO), permitiendo estrategias de manipulación diversas y robustez ante inexactitudes del modelo.
2. Algoritmo Eficiente de Selección de Contactos: Un método que transforma la selección de contactos no suave en un problema discreto-continuo utilizando muestreo de malla y un Modelo de Contacto Sustituto, reduciendo el problema a un MIQP tratable para una búsqueda global rápida.
3. Planificación de Contactos Guiada por Prioridades: Una formulación que utiliza una estrategia de clasificación para evaluar priores de contacto y un objetivo unificado para la planificación híbrida (aproximación, contacto, conmutación), aplicable a diversas configuraciones de robots.
4. Validación Experimental: Simulaciones extensas y experimentos en el mundo real que demuestran que SCSP es el primer método basado en modelos que logra la manipulación no prehensil 6D en el mundo real de geometrías de objetos arbitrariamente complejas utilizando únicamente percepción visual (sin marcadores ni captura de movimiento).

4. Resultados Experimentales

El marco se validó en tareas de manipulación no prehensil (rotación y volteo en el suelo) utilizando una punta de dedo y un robot Franka Emika Panda.

• Simulación:
  • Tasa de Éxito: SCSP logró tasas de éxito significativamente más altas (por ejemplo, 97% para rotación con punta de dedo, 95% para rotación con robot) en comparación con líneas base como I-MPC, CF-MPC y métodos de muestreo.
  • Robustez: Superó a los métodos basados en aprendizaje (DyWA) en la mayoría de los escenarios, particularmente en el manejo de geometrías complejas y la evitación de mínimos locales.
  • Ablación: Eliminar la estrategia de clasificación (w/o RS) condujo a una caída significativa en la tasa de éxito, confirmando la necesidad de evaluar los priores de contacto.
• Mundo Real:
  • SCSP manipuló con éxito objetos irregulares (Pato, Conejo, Mano, Controlador Xbox) en superficies lisas y rugosas utilizando únicamente una cámara de vista única (FoundationPose) para la estimación de estado.
  • Mantuvo altas tasas de éxito (hasta 100% para rotación) a pesar de dinámicas inexactas (estimaciones de masa/fricción rugosas) y ruido perceptual.
  • Los métodos de línea base (DyWA, Muestreo) fallaron frecuentemente debido a deslizamiento de contacto, selección de contacto inestable o incapacidad para adaptarse a errores de ejecución.
• Generalización: El marco se extendió con éxito a tareas de múltiples contactos (dribbling de fútbol, empuje inclinado) y tareas de horizonte largo (abrir cajones, puertas de microondas), demostrando su capacidad para realizar razonamiento físico en línea.

5. Significado y Afirmaciones

El artículo afirma que SCSP supera las limitaciones teóricas de los métodos implícitos en contacto existentes al permitir la selección activa de contactos. Aunque los enfoques recientes de RL han mostrado éxito, SCSP busca hacer que la planificación de contactos diversa y robusta sea más interpretable.

Los autores enfatizan que la precisión del modelo del mundo (CSO) es menos crítica que cómo interactúa con el planificador. La estrategia de clasificación en CPO permite al sistema utilizar ubicaciones de contacto subóptimas pero factibles, mitigando la inestabilidad causada por errores del modelo en CSO. Esto sugiere que un marco unificado para la selección y planificación simultánea de contactos es factible y efectivo para tareas de manipulación complejas en el mundo real sin depender de percepción exacta o secuencias de contacto predefinidas.

El trabajo posiciona a SCSP como un marco general capaz de manejar geometrías de objetos arbitrariamente complejas, diversas configuraciones de robots y varias tareas ricas en contactos, cerrando la brecha entre la eficiencia basada en modelos y la adaptabilidad requerida para la manipulación compleja.