⚡ electrical engineering

Hamilton-Jacobi Reachability for Hybrid Systems: Unified Goal-Driven Control with Safety Guarantees

Questo articolo estende l'analisi di raggiungibilità Hamilton-Jacobi ai sistemi dinamici ibridi introducendo un quadro unificato che calcola insiemi sicuri e integra obiettivi di prestazione attraverso filtri di sicurezza meno restrittivi e tubi di raggiungimento-evitamento all'indietro, garantendo così sia la sicurezza che il completamento dei compiti per i sistemi robotici in ambienti ricchi di contatti.

Autori originali: Javier Borquez, Shuang Peng, Somil Bansal

Pubblicato 2026-09-16

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Javier Borquez, Shuang Peng, Somil Bansal

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

I robot che si muovono nel mondo reale affrontano una sfida fondamentale: le loro azioni sono raramente fluide e continue. Un cane che corre in un parco, una navicella spaziale che si aggancia a una stazione o un drone che atterra su una nave sperimentano tutti cambiamenti improvvisi nel modo in cui si muovono. Potrebbero scivolare su ruote, per poi saltare improvvisamente in aria, o passare da una scivolata dolce a un impatto duro. In termini ingegneristici, questi sistemi sono "ibridi", il che significa che combinano un movimento fluido e continuo con salti improvvisi e discreti da un modo di operare all'altro. Affinché un robot sia utile e sicuro, deve non solo navigare attraverso questi cambiamenti, ma anche garantire di non cadere mai in una trappola dalla quale non possa uscire. Ciò richiede un modo per guardare avanti e sapere, con assoluta certezza, quali percorsi sono sicuri e quali portano al fallimento, anche quando l'ambiente del robot è imprevedibile.

Per decenni, gli ingegneri hanno utilizzato uno strumento matematico potente chiamato raggiungibilità di Hamilton-Jacobi per risolvere questo problema per i sistemi fluidi. Questo metodo consente a un computer di calcolare una "zona sicura", una mappa di ogni possibile posizione di partenza da cui un robot può evitare un incidente, indipendentemente da come soffia il vento o da come si sposta il terreno. Tuttavia, questo strumento è andato in crisi quando applicato ai sistemi ibridi. I salti improvvisi tra le modalità, come il piede di un robot che colpisce il suolo, hanno creato una complessità che la vecchia matematica non riusciva a gestire. Senza un modo per calcolare queste zone sicure per i sistemi ibridi, gli ingegneri erano costretti a tirare a indovinare o a fare affidamento su tentativi ed errori, lasciando i robot vulnerabili a guasti imprevisti in ambienti complessi.

Un team di ricercatori ha ora colmato questa lacuna estendendo il metodo di raggiungibilità per gestire questi sistemi ibridi. Hanno sviluppato un nuovo framework che può calcolare zone sicure per robot che passano tra diversi comportamenti, come camminare, saltare o volare. Il loro lavoro fa due cose distinte. In primo luogo, hanno creato un filtro di sicurezza che agisce come un supervisore vigile. Questo filtro osserva il percorso pianificato di un robot e interviene solo quando un movimento pianificato porterebbe a un incidente. Se il robot tenta di saltare contro un muro, il filtro corregge delicatamente il piano verso un'alternativa sicura, ma se il piano è già sicuro, lascia che il robot proceda esattamente come previsto. Ciò garantisce che il robot rimanga al sicuro senza costringerlo a muoversi goffamente o inutilmente. In secondo luogo, hanno sviluppato un metodo per pianificare non solo la sicurezza, ma anche il successo. Questo nuovo approccio calcola un percorso che garantisce che il robot raggiunga il suo obiettivo, come un porto di attracco o un traguardo, evitando contemporaneamente tutti gli ostacoli. Trova una rotta che sia sia sicura che efficace, anche quando il robot deve passare tra diversi modi di movimento per arrivarci.

Per dimostrare che le loro idee funzionano, i ricercatori hanno testato il loro sistema su un robot quadrupede in un percorso a ostacoli impegnativo ispirato alle competizioni di agilità per cani. Il percorso includeva pali per lo slalom stretti, pendii ripidi, sbalzi bassi che richiedevano al robot di strisciare e terreni scivolosi. Il robot doveva navigare l'intero percorso senza colpire nulla. I ricercatori hanno guidato il robot utilizzando due diversi sistemi di controllo di basso livello: uno basato su equazioni fisiche tradizionali e un altro basato sull'apprendimento tramite intelligenza artificiale. In entrambi i casi, il pianificatore di alto livello ha guidato con successo il robot attraverso il percorso. Quando il robot si avvicinava a uno sbalzo basso, il pianificatore passava automaticamente alla modalità di andatura strisciante per evitare di colpire la testa. Quando raggiungeva una zona scivolosa, passava a un'andatura più veloce per mantenere la trazione. Il sistema gestiva questi passaggi senza problemi, assicurando che il robot non entrasse mai in uno stato pericoloso.

Gli esperimenti hanno dimostrato che il nuovo metodo è robusto anche quando il robot viene spinto o tirato da forze esterne. In un test, un essere umano ha trascinato fisicamente il robot verso un ostacolo. Inveve di schiantarsi, il pianificatore del robot ha immediatamente riconosciuto il pericolo e ha cambiato comportamento verso una modalità più sicura, permettendogli di recuperare e continuare il compito. Questa capacità di recuperare da situazioni insicure è un miglioramento significativo rispetto ai metodi precedenti, che spesso lasciavano i robot bloccati una volta entrati in una zona pericolosa. I ricercatori hanno anche confrontato il loro approccio con altre tecniche di pianificazione avanzate in simulazioni al computer. Sebbene altri metodi potessero talvolta raggiungere l'obiettivo, spesso si scontravano con gli ostacoli quando l'ambiente diventava imprevedibile. Il nuovo metodo ha mantenuto un alto tasso di successo, raggiungendo l'obiettivo in modo sicuro in quasi tutte le prove, anche quando il robot era sottoposto a spinte forti e casuali.

Il lavoro si basa su una mappa di sicurezza pre-calcolata che il robot consulta in tempo reale. Questa mappa viene generata offline, un processo che ha richiesto circa sette ore su un computer standard per il compito specifico. Una volta pronta la mappa, il robot può usarla istantaneamente, prendendo decisioni in circa un millisecondo. Questa velocità è cruciale per le applicazioni nel mondo reale, dove un robot deve reagire ai cambiamenti nell'ambiente più velocemente di quanto un essere umano possa battere le ciglia. I ricercatori hanno validato il loro sistema su un vero robot quadrupede, un Unitree Go1, che è stato tracciato da un sistema di motion capture ad alta velocità per garantire misurazioni precise della sua posizione e del suo movimento. Il robot ha completato con successo l'intero percorso più volte, dimostrando che le garanzie teoriche di sicurezza reggono nella realtà disordinata e imprevedibile del mondo fisico.

Sebbene il metodo sia potente, i ricercatori riconoscono i suoi attuali limiti. I calcoli necessari per generare la mappa di sicurezza diventano estremamente difficili all'aumentare del numero di variabili, un problema noto come "maledizione della dimensionalità". Ciò significa che, per ora, il sistema funziona meglio per robot con un numero gestibile di parti in movimento, come il robot quadrupede utilizzato nello studio. Per macchine più complesse con molti gradi di libertà, il costo computazionale è attualmente troppo elevato. Il team suggerisce che il lavoro futuro dovrà combinare le loro rigorose garanzie di sicurezza con nuove tecniche basate sull'apprendimento per gestire questi sistemi più complessi. Notano inoltre che il loro approccio attuale assume che il robot conosca la disposizione degli ostacoli in anticipo. In un mondo dinamico in cui gli ostacoli si muovono o appaiono inaspettatamente, il sistema dovrebbe aggiornare la sua mappa di sicurezza al volo, una sfida che intendono affrontare nella ricerca futura.

Nonostante questi limiti, questo traguardo rappresenta un passo avanti significativo nel rendere i robot autonomi veramente affidabili. Fornendo una garanzia matematica che un robot può raggiungere il suo obiettivo senza schiantarsi, anche quando deve passare tra diversi modi di muoversi, i ricercatori hanno rimosso una barriera importante al dispiegamento dei robot in ambienti complessi e non strutturati. La capacità di pianificare simultaneamente sia la sicurezza che il successo significa che i robot possono essere affidati per operare in luoghi dove il fallimento non è un'opzione, dalle missioni di ricerca e soccorso alle delicate attività di produzione. Il framework trasforma la natura caotica del movimento ibrido in un problema gestibile, assicurando che, man mano che i robot diventano più agili e versatili, rimangano fondamentalmente sicuri.

Riepilogo Tecnico: Raggiungibilità Hamilton-Jacobi per Sistemi Ibridi

1. Definizione del Problema

I sistemi dinamici ibridi, che combinano dinamiche continue con transizioni di modalità discrete, sono essenziali per modellare sistemi robotici in ambienti ricchi di contatti (ad esempio, robot saltatori, locomozione bipede). Tuttavia, garantire la sicurezza e le prestazioni in questi sistemi è complesso a causa dell'intricato accoppiamento tra l'evoluzione dello stato continuo e gli eventi discreti (come i cambi di modalità, i reset di stato e le transizioni forzate).

L'analisi di raggiungibilità Hamilton-Jacobi (HJ) esistente fornisce un quadro rigoroso per sistemi non lineari a tempo continuo per calcolare i Backward Reachable Tubes (BRT) e sintetizzare controllori di sicurezza. Tuttavia, l'applicazione di questi metodi ai sistemi ibridi è stata limitata da:

Assunzioni Strutturali: I precedenti metodi ibridi hanno spesso limitato l'analisi a dinamiche lineari o hanno escluso input controllati.
Integrazione degli Obiettivi: I framework esistenti si sono concentrati principalmente sulla verifica (raggiungibilità o evitamento) ma non sono riusciti a integrare queste garanzie di sicurezza con obiettivi di raggiungimento del target. Le applicazioni nel mondo reale richiedono controllori che non solo evitino il fallimento, ma che perseguano attivamente i compiti assegnati.
Complessità: Gestire simultaneamente transizioni controllate, transizioni forzate e reset di stato all'interno di un framework di raggiungibilità unificato rimane computazionalmente e teoricamente impegnativo.

2. Metodologia

Il documento estende la classica raggiungibilità HJ ai sistemi ibridi definendo una funzione di valore generalizzata su stati sia discreti che continui. L'approccio si basa su tre componenti fondamentali:

A. Modello di Sistema Ibrido

Il sistema è modellato come una tupla $H = ((Q \times X), (U \times D), f, \text{Inv}, \Sigma, R)$ , dove:

$Q$ è un insieme finito di modalità discrete.
$X, U, D$ rappresentano stati continui, controlli e disturbi.
$f$ definisce le dinamiche continue $\dot{x} = f_i(x, u, d)$ all'interno di un insieme invariante $S_i$ .
$\Sigma$ include azioni discrete per transizioni controllate (quando $x \in S_i$ ) e transizioni forzate (quando $x \notin S_i$ ).
$R$ definisce le mappe di reset $x^+ = R_{ij}(x)$ in fase di transizione.

B. Hybrid Backward Reachable Tubes (hBRT)

Basandosi sul lavoro precedente (Borquez et al., 2024b), gli autori utilizzano una disuguaglianza di variazione Hamilton-Jacobi-Isaacs vincolata (HJI-VI) per calcolare l'hBRT. La funzione di valore $V(x, q_i, t)$ viene aggiornata selezionando l'esito ottimale tra:

Transizioni Discrete: Eseguire un cambio controllato $\sigma_{ij}$ o un cambio forzato $\varsigma_{ik}$ con le relative mappe di reset associate.
Evoluzione Continua: Rimanere nella modalità corrente ed evolvere secondo le dinamiche continue.
La soluzione caratterizza l'insieme di stati dai quali il sistema può raggiungere un obiettivo (liveness) o evitare un insieme di fallimento (safety) sotto disturbi worst-case.

C. Due Meccanismi di Controllo

Il documento propone due meccanismi distinti per utilizzare questi insiemi raggiungibili:

Hybrid Least Restrictive Filter (hLRF):
- Funzione: Un filtro di sicurezza che avvolge qualsiasi politica ibrida nominale $\pi_{nom}$ .
- Meccanismo: Interviene solo quando necessario. Per le transizioni discrete, verifica se il cambio nominale conduce a uno stato sicuro (funzione di valore $V \geq 0$ ). In caso contrario, lo sovrascrive con il cambio sicuro ottimale. Per il controllo continuo, agisce come un controllore di confine, modificando gli input solo quando il sistema si trova sulla frontiera di sicurezza.
- Obiettivo: Garantire l'invarianza forward dell'insieme sicuro minimizzando l'alterazione del comportamento nominale.
Hybrid Backward Reach-Avoid Tubes (hBRAT):
- Funzione: Una formulazione unificata che impone simultaneamente la sicurezza (evitamento dell'insieme di fallimento $L$ ) e il completamento del compito (raggiungimento dell'insieme di obiettivo $G$ ).
- Meccanismo: Gli autori derivano una nuova HJI-VI vincolata dove la condizione terminale è $V(x, q, T) = \max(g(x), l(x))$ . L'evoluzione della funzione di valore combina il costo del raggiungimento dell'obiettivo e dell'evitamento del set di fallimento.
- Obiettivo: Sintetizzare politiche di controllo che garantiscano che il sistema raggiunga il target entro un orizzonte temporale senza mai entrare nell'insieme di fallimento.

D. Implementazione Numerica

Le funzioni di valore sono calcolate utilizzando un metodo level-set basato su griglia (Algoritmo 1 per hBRT, Algoritmo 2 per hBRAT). L'algoritmo propaga la funzione di valore all'indietro nel tempo, aggiornandola ad ogni passo per tenere conto delle dinamiche continue e delle transizioni discrete in tutte le modalità.

amente 3. Contributi Chiave

Unified Hybrid Safety Filter (hLRF): Un meccanismo in tempo reale che garantisce la sicurezza per sistemi ibridi con reset di stato e transizioni forzate, avvolgendo qualsiasi politica nominale. È dimostrato che assicura l'invarianza forward dell'insieme sicuro.
Hybrid Reach-Avoid Formulation (hBRAT): Un nuovo framework matematico che codifica congiuntamente gli obiettivi di sicurezza e di raggiungimento del target nei sistemi ibridi. Deriva una nuova HJI-VI che caratterizza l'insieme di stati che garantiscono sia il completamento del compito che la sicurezza sotto disturbi worst-case.
Validazione su Hardware Reale: Implementazione con successo su un robot quadrupede (Unitree Go1) che naviga in un complesso percorso stile Barkour, dimostrando la capacità del framework di gestire il cambio di modalità (camminata, arrampicata, strisciata) e di recuperare da disturbi esterni.

4. Risultati

Studi di Simulazione

Robot Saltatore Planare: L'hLRF ha modificato con successo le politiche nominali (movimento in linea retta e piccoli salti) per superare gli ostacoli attivando salti ottimali, garantendo la sicurezza con un intervento minimo.
Veicolo Spaziale in Orbita Terresta Bassa: Il filtro ha impedito collisioni in un ambiente orbitale affollato, gestendo la spinta controllata e le transizioni forzate di raffreddamento.
Simulazione Quadrupede (Barkour): Confronto con MPPI (Model Predictive Path Integral), MPC Deterministico e MPC con Funzioni di Barriera di Controllo (MPC-CBF).
- Sicurezza: Il pianificatore hBRAT ha ottenuto i più alti tassi di "Safe Reach" tra tutti i livelli di disturbo (0.81 a $\sigma=0.4$ m/s), superando significativamente i baseline (MPC: 0.48, MPC-CBF: 0.44).
- Robustezza: Mentre i baseline raggiungevano l'obiettivo, spesso collidevano con gli ostacoli sotto alti livelli di disturbo. Il pianificatore hBRAT ha mantenuto la sicurezza recuperando dai disturbi e aderendo al tubo reach-avoid.

Esperimenti nel Mondo Reale

Hardware: Un quadrupede Unitree Go1 ha navigato un percorso con pali per slalom, pendenze, aggetti e terreni scivolosi.
Performance: Il sistema ha completato con successo il compito sia con un controllore low-level basato su modello (MPC) che appreso (RL).
- Sicurezza: 100% di tasso di successo e 100% di tasso di "safe reach" su 10 prove con entrambi i controllori.
- Recupero: Il pianificatore basato su hBRAT ha dimostrato la capacità di recuperare da disturbi fisici esterni (ad esempio, essere spinto contro un aggetto) cambiando autonomamente modalità (ad esempio, da camminata a strisciata) per riacquistare sicurezza, una capacità assente nei framework precedenti.
- Efficienza: L'inferenza online ha richiesto circa 1 ms per query, consentendo l'operatività in tempo reale.

5. Significato e Rivendicazioni

Il documento sostiene di colmare il vuoto critico tra la verifica della sicurezza e il controllo orientato agli obiettivi nei sistemi ibridi. Estendendo la raggiungibilità HJ per gestire le dinamiche ibride con una formulazione reach-avoid unificata, gli autori forniscono un metodo che:

Garantisce Sicurezza e Completamento del Compito: A differenza dei metodi precedenti che trattavano separatamente sicurezza e obiettivi, questo framework sintetizza politiche che sono provabilmente sicure e complete rispetto al compito.
Permette un Intervento Minimo: L'hLRF consente l'uso di controllori nominali ad alte prestazioni fornendo al contempo una rete di sicurezza rigorosa che interviene solo quando assolutamente necessario.
Gestisce Dinamiche Ibride Complesse: Il framework tiene esplicitamente conto di transizioni controllate, transizioni forzate e reset di stato, che sono prevalenti nella robotica legged e spesso ignorati nei filtri di sicurezza continui.

Gli autori riconoscono i limiti, specificamente la complessità computazionale che scala esponenzialmente con la dimensione dello stato (maledizione della dimensionalità) e la dipendenza dalla conoscenza a priori dell'ambiente per il calcolo offline. Posizionano questo lavoro come un passo fondamentale verso sistemi robotici più sicuri e capaci in ambienti dinamici, con lavori futuri mirati ad approssimazioni basate sull'apprendimento per dimensioni più elevate e aggiornamenti di raggiungibilità online.