Embedding ISO 10218 Safety Compliance in Robots via Control Barrier Functions for Human-Robot Collaboration

Resumen Técnico: Integración del Cumplimiento de la Norma de Seguridad ISO 10218 en Robots mediante Funciones de Barrera de Control para la Colaboración Humano-Robot

Planteamiento del Problema
La colaboración humano-robot (HRC, por sus siglas en inglés) requiere un cumplimiento estricto de las normas de seguridad, específicamente la norma ISO 10218, para prevenir interacciones perjudiciales. Un mecanismo principal para garantizar la seguridad en espacios de trabajo compartidos es el Monitoreo de Velocidad y Separación (SSM). Sin embargo, los filtros SSM industriales estándar se basan en supuestos conservadores, como una velocidad humana constante y el requisito de que el robot debe detenerse por completo antes de que el humano alcance una cierta distancia. Estos supuestos a menudo conducen a predicciones inexactas de las distancias mínimas de separación, lo que resulta en paradas operativas innecesarias y una reducción de la productividad. Además, las estrategias de control existentes suelen fallar al no restringir la desviación espacial del robot durante las maniobras evasivas, lo que podría provocar colisiones con infraestructura estática o confundir a los operadores humanos.

Metodología
El artículo propone un marco de Funciones de Barrera de Control (CBF) que incorpora explícitamente datos de aceleración humana en tiempo real para predecir analíticamente hacia adelante la distancia mínima de separación humano-robot durante una trayectoria de parada robótica de peor caso. Este enfoque predictivo se integra como una restricción de desigualdad dentro de un marco de control de Programación Cuadrática Secuencial (SQP). El estado del sistema incluye la posición, velocidad y aceleración cartesiana tanto del robot como del humano.

Se proponen y evalúan dos métodos de control específicos:

1. Método I (Controlador PD con Restricción de CBF): Un filtro de seguridad mínimamente invasivo que sigue una referencia de aceleración cartesiana PD nominal mientras satisface las restricciones de seguridad de la CBF. Este método prioriza el rendimiento pero carece de restricciones explícitas sobre la desviación espacial de la trayectoria nominal.
2. Método II (Controlador SQP de Escalamiento de Tarea): Un controlador más avanzado que introduce un parámetro de escalamiento de la tarea para modular la progresión a lo largo de la trayectoria nominal. Crucialmente, este método impone una "restricción de tubo espacial" para evitar que las maniobras evasivas se desvíen caóticamente de la trayectoria prevista. También incluye una estrategia de recuperación para estados de inviabilidad, donde el controlador cambia a frenado máximo mientras relaja dinámicamente los límites espaciales para asegurar un comportamiento de seguridad ante fallos (fail-safe).

La CBF se deriva de los límites cinemáticos de la norma ISO 10218, calculando la distancia mínima ($d_{min}$) mediante el análisis de las velocidades relativas e identificando instantes de tiempo críticos (por ejemplo, el fin del tiempo de reacción, parada total) donde la distancia podría minimizarse.

Contribuciones Clave

• Derivación de CBF Predictiva: Los autores derivan una CBF que tiene en cuenta la aceleración humana en tiempo real, superando la sobre-reactividad de los filtros SSM estándar que asumen una velocidad humana constante.
• Escalamiento de Tarea Espacialmente Restringido: La propuesta de un controlador SQP de escalamiento de tarea que integra una restricción de tubo espacial. Esto permite que el robot module su velocidad y se desvíe de forma segura de su trayectoria sin realizar maniobras caóticas, abordando una brecha en las aplicaciones previas de CBF que a menudo ignoraban la fidelidad espacial.
• Validación Experimental: Los algoritmos se validan tanto en simulación como en escenarios del mundo real utilizando un robot UR10e, una cámara ZED 2 para la esquelatización humana y un sensor de cámara-radar Inxpect X-300.

Resultados
Los métodos propuestos se compararon contra un módulo SSM industrial estándar de referencia y entre sí durante pruebas de larga duración (15,000 segundos):

• Eficiencia vs. Seguridad: El módulo SSM de referencia garantizó la seguridad pero resultó en una eficiencia severamente reducida, completando solo 41 vueltas con un factor de escala medio de 0.15 debido a paradas frecuentes. El Método I logró el mayor rendimiento (994 vueltas) pero sufrió desviaciones espaciales severas (62.91% de precisión en puntos de paso) y huellas evasivas excesivas.
• Equilibrio Óptimo (Método II): El Método II logró un equilibrio óptimo, completando 789 vueltas con un factor de escala medio de 0.81. Logró alcanzar exitosamente el 92.91% de los puntos de paso designados.
• Precisión de Trayectoria: El Método II demostró una reducción del 63% en el error de trayectoria medio en comparación con el Método I (0.0142 m vs. 0.0384 m en simulación; 0.0113 m vs. 0.0232 m en ensayos del mundo real).
• Viabilidad en Tiempo Real: El solver SQP mantuvo el rendimiento en tiempo real, fallando en encontrar una solución dentro del periodo de control de 2 ms en solo el 0.0004% de los ciclos, contando con una estrategia de respaldo para tales instancias.

Significancia y Reivindicaciones
El artículo sostiene que el acoplamiento de la cinemática humana predictiva con un marco de CBF de escalamiento de tarea garantiza matemáticamente la seguridad mientras se maximiza la fidelidad espacial y la productividad de la tarea. Al ir más allá de las métricas de distancia instantánea hacia la predicción hacia adelante de las distancias de parada de peor caso, el marco evita el conservadurismo severo de los filtros reactivos tradicionales. Los autores afirman que el Método II demuestra con éxito que es posible lograr una colaboración sin contacto de alto rendimiento sin sacrificar los estrictos requisitos de seguridad de la norma ISO 10218 o la precisión geométrica de la trayectoria del robot.

Los autores señalan limitaciones para trabajos futuros, específicamente la dependencia de un supuesto de aceleración humana constante (que requiere un margen de seguridad conservador) y el uso de pesos estáticos en la función de costo del SQP. Sugieren que la integración de modelos de movimiento humano probabilísticos y estrategias de ponderación adaptativa podría optimizar aún más el rendimiento y la capacidad de respuesta.