Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios

1. Problématique

L'intégration des robots collaboratifs (cobots) dans des environnements partagés avec des humains pose un défi majeur : la nature imprévisible et dynamique du mouvement humain peut rendre les collisions inévitables dans certaines situations.

• Défi principal : Les approches de sécurité traditionnelles traitent souvent tous les obstacles de manière égale. Cependant, en cas de conflit de contraintes (où il est impossible d'éviter toutes les collisions simultanément), le système doit prendre des décisions critiques.
• Besoin spécifique : Il est crucial de distinguer la criticité des différentes parties du corps humain. Une collision avec la tête présente un risque de blessure bien plus élevé qu'avec la main. Les contrôleurs actuels manquent souvent d'un mécanisme hiérarchique pour prioriser la sécurité des zones vulnérables (comme la tête) par rapport aux zones moins sensibles (comme les mains) lorsque les contraintes de sécurité entrent en conflit, ce qui peut conduire à l'infeasibilité (absence de solution) du problème d'optimisation.

2. Méthodologie

Les auteurs proposent un cadre de contrôle hiérarchique basé sur les Fonctions de Barrière de Contrôle (CBF - Control Barrier Functions) intégrant une variable de relâchement pour gérer les compromis de sécurité.

Architecture du Contrôle

Le système est divisé en deux couches :

1. Contrôleur de Performance : Calcule les vitesses articulaires souhaitées ($\dot{q}_{perf}$) pour suivre une trajectoire de référence, en utilisant une cinématique inverse avec une projection dans l'espace nul pour éviter les singularités et respecter les limites articulaires.
2. Contrôleur de Sécurité (Hiérarchique) : Surveille l'état du robot et modifie les commandes de vitesse pour garantir que le robot reste dans un ensemble sûr ($X_s$).

Formulation Mathématique

• Définition des CBF : L'ensemble sûr est défini comme le sur-niveau 0 d'une fonction $h(x, p_{obs}) \ge 0$, où $p_{obs}$ représente la position des parties du corps humain (tête, main). La fonction de barrière est basée sur la distance euclidienne entre les liens du robot et les parties du corps, avec des marges de sécurité ($\epsilon$).
• Hiérarchisation et Relâchement :
  • Le problème d'optimisation (QP) vise à minimiser l'écart entre la commande de sécurité et la commande de performance.
  • Une variable de relâchement ($\delta_{ha}$) est introduite spécifiquement pour la contrainte liée à la main (priorité inférieure).
  • La contrainte pour la tête (priorité supérieure) est maintenue stricte (sans relâchement).
  • Une fonction de coût pénalise l'utilisation de la variable de relâchement ($\beta \delta_{ha}^2$). Si $\beta$ est grand, le système évitera de relâcher la contrainte de la main sauf si cela est absolument nécessaire pour éviter une collision avec la tête.
• Résolution de l'infeasibilité : En cas de conflit de contraintes (ex: le robot est coincé entre la tête et la main), le contrôleur sacrifie la contrainte de la main (en activant $\delta_{ha}$) pour garantir le respect strict de la contrainte de la tête, assurant ainsi la faisabilité du problème d'optimisation.

Perception

• Utilisation d'une caméra stéréo ZED2i pour la détection de pose humaine en temps réel.
• Modèle de détection de 34 points clés du corps (squelette) à 60 Hz.
• Les positions 3D de la tête et des mains sont utilisées pour mettre à jour dynamiquement les contraintes CBF.

3. Contributions Clés

1. Cadre CBF Hiérarchique avec Priorisation : Introduction d'un mécanisme de priorisation de sécurité basé sur la criticité des parties du corps (Tête > Main). Cela permet au robot de prendre des décisions de compromis intelligentes en cas de situations de collision inévitable.
2. Mécanisme de Relâchement Adaptatif : Utilisation d'une variable de relâchement dans le programme quadratique (QP) pour gérer les conflits de contraintes, garantissant que les contraintes de haute priorité (tête) ne sont jamais violées, même au prix de la violation des contraintes de basse priorité (main).
3. Validation Expérimentale : Mise en œuvre réussie sur un robot Franka Research 3 avec une caméra ZED2i, démontrant la capacité du système à réagir proactivement aux mouvements humains imprévisibles.

4. Résultats Expérimentaux

Les expériences ont été menées sur un robot Franka Research 3 avec des scénarios de mouvement humain variés (tête et main se rapprochant de l'effecteur terminal).

• Comportement Dynamique : Le robot a démontré sa capacité à dévier rapidement de sa trajectoire nominale lorsque la tête ou la main entrait dans sa zone de sécurité.
• Priorisation Efficace :
  • Les données montrent que lorsque la main s'approche rapidement, le système peut tolérer une distance plus courte (ou un contact virtuel) si cela permet d'éviter la tête.
  • La variable de relâchement ($\delta_{max}$) a été activée pour les contraintes de la main, tandis que la distance par rapport à la tête est restée strictement au-dessus du seuil de sécurité.
• Tests de Comparaison (Simulation) : Des simulations avec des obstacles de priorités différentes (Rouge > Bleu > Vert) ont montré que l'approche CBF hiérarchique évite systématiquement les collisions avec les obstacles prioritaires (Rouge), là où le contrôleur CBF de base (sans relâchement hiérarchique) échouait (violation de contraintes).
• Performance : Le temps de calcul moyen par cycle de contrôle était de 16,6 ms, avec seulement 0,16 ms dédiés à la résolution du solveur d'optimisation, permettant une boucle de contrôle à 60 Hz.

5. Signification et Conclusion

Ce travail avance significativement la sécurité des systèmes robotiques collaboratifs en passant d'une approche de sécurité "tout ou rien" à une approche proactive et nuancée.

• Impact Sécurité : En garantissant que les zones critiques du corps humain (tête, torse) sont toujours protégées au détriment des zones moins critiques, le système réduit le risque de blessures graves dans des environnements dynamiques.
• Robustesse : Le mécanisme de relâchement résout le problème d'infeasibilité fréquent dans les contrôleurs CBF classiques lorsque plusieurs contraintes entrent en conflit, permettant au robot de continuer à fonctionner de manière fluide plutôt que de s'arrêter brutalement.
• Perspectives Futures : Les auteurs suggèrent d'adapter dynamiquement le paramètre de pénalité ($\beta$) en fonction du contexte (vitesse de l'obstacle, type d'outil utilisé) via des méthodes d'apprentissage, afin d'optimiser encore plus l'équilibre entre sécurité et efficacité opérationnelle.

En résumé, cette étude démontre qu'il est possible de déployer des robots collaboratifs dans des espaces de travail non structurés avec une sécurité garantie, capable de gérer les imprévus humains grâce à une hiérarchisation intelligente des contraintes de sécurité.