⚡ electrical engineering

SPARK: Safe Protective and Assistive Robot Kit

Dit artikel introduceert SPARK, een open-source, modulair benchmark- en controleframework dat is ontworpen om de veiligheid van humanoïde robots te waarborgen door middel van configureerbare veilige algoritmen, simulatieomgevingen en naadloze hardware-integratie voor zowel onderzoek als real-world inzetbaarheid.

Oorspronkelijke auteurs: Yifan Sun, Rui Chen, Kai S. Yun, Yikuan Fang, Sebin Jung, Feihan Li, Bowei Li, Weiye Zhao, Changliu Liu

Gepubliceerd 2026-01-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yifan Sun, Rui Chen, Kai S. Yun, Yikuan Fang, Sebin Jung, Feihan Li, Bowei Li, Weiye Zhao, Changliu Liu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, onhandige robot leert om door een drukke kamer te lopen, een kopje op te pakken en het aan jou te geven zonder iets om te stoten of mensen te verwonden. Dit is ongelooflijk moeilijk omdat de robot zwaar is en veel bewegende onderdelen heeft (zoals armen, benen en een middel). En de wereld zit vol verrassingen. Als je probeert om voor elke mogelijke situatie vanaf nul veiligheidsregels te programmeren, zou dat eeuwig duren en waarschijnlijk mislukken.

Dit artikel introduceert SPARK (Safe Protective and Assistive Robot Kit), dat de auteurs beschrijven als een "Lego-achtige gereedschapskist" voor het bouwen van veilige robots. In plaats van elke keer een nieuw veiligheidssysteem te bouwen wanneer je de robot of de taak verandert, geeft SPARK je kant-en-klare, uitwisselbare blokken die in elkaar klikken.

Hier is hoe SPARK werkt, met eenvoudige analogieën:

1. Het "Lego"-framework (Modulariteit)

Denk aan het brein van een robot als een assemblagelijn in een fabriek. SPARK breekt deze lijn op in afzonderlijke stations (modules) die je kunt vervangen zoals Lego-blokjes:

Het Robotlichaam (Configuratie): Je kunt verschillende robotmodellen (zoals de Unitree G1 humanoid) insteken door simpelweg het "chassis"-blok te verwisselen.
De Ogen en Oren (Agent & Taak): Dit blok bepaalt wat de robot ziet (een gesimuleerde wereld of echte camera's) en wat de bedoeling is (naar een plek lopen of een object pakken).
De "Goede Agent" (Policy): Dit is het normale brein van de robot. Het zegt: "Ga naar het kopje!" of "Loop naar voren!". Het probeert de taak efficiënt uit te voeren, maar maakt zich geen zorgen over veiligheid.
De "Veiligheidsbewaker" (Safety Module): Dit is het speciale blok dat SPARK toevoegt. Het houdt de "Goede Agent" in de gaten. Als de robot bijna tegen een mens of een muur aan botst, grijpt de Veiligheidsbewaker in, zegt "Stop!" of "Beweg naar links!", en past het commando net genoeg aan om iedereen veilig te houden.

De magie is dat je de "Veiligheidsbewaker" kunt vervangen door verschillende soorten (zoals een strenge bewaker of een milde bewaker) zonder het hele brein van de robot opnieuw te hoeven bouwen.

2. De "Verkeersregelaar"-algoritmen

Het artikel test vijf verschillende stijlen van "Veiligheidsbewakers" om te zien welke het beste werkt. Ze zijn als verschillende verkeersregelaars die een druk kruispunt beheren:

De "Afstotende Kracht"-regelaar (Potentieelveld): Stel je onzichtbare magneten voor die de robot wegduwen van obstakels. Het is simpel, maar in een drukke kamer kunnen de magneten de robot in een hoek duwen waar hij vast komt te zitten.
De "Wiskundige Optimalisatie"-regelaars (SSA, CBF, SSS): Dit zijn slimme verkeersregelaars die de perfecte route berekenen. Ze lossen elke milliseconde een wiskundig probleem op om de veiligste route te vinden die ook de snelste is. Het artikel vond dat deze over het algemeen het beste werkten bij het balanceren van veiligheid met het voltooien van de taak.
De "Sliding Mode"-regelaar (SMA): Deze is als een uitsmijter die alleen ingrijpt wanneer het echt gevaarlijk wordt, door de route van de robot snel en efficiënt te corrigeren.

3. De "Vliegsimulator" versus "De Echte Wereld"

Om te bewijzen dat SPARK werkt, hebben de auteurs twee dingen gedaan:

De Simulatie (De Vliegsimulator): Ze creëerden een virtuele wereld met 8 verschillende scenario's (zoals een robot met een vast basisstation versus een lopende robot, in kamers met 10 obstakels versus 50 obstakels). Ze lieten de verschillende "Veiligheidsbewaker"-algoritmen tegen elkaar strijden.
- Resultaat: De "Wiskundige Optimalisatie"-regelaars wonnen over het algemeen. Ze hielden de robot veilig zonder dat de robot te traag bewoog. De "Afstotende Kracht"-regelaar had het meest moeite in complexe, drukke kamers.
De Echte Robot (De Echte Vlucht): Ze plaatsten het systeem op een echte Unitree G1 humanoid robot.
- Scenario A (Autonomie): De robot probeerde rond te lopen in een kamer terwijl hij een menselijke hand ontweek die naar hem zwaaide. De robot ontweek de hand succesvol zonder zijn missie te onderbreken.
- Scenario B (Teleoperatie): Een mens gebruikte een Apple Vision Pro headset om de armen van de robot op afstand te besturen om een object op te pakken. Als de mens probeerde de hand van de robot in een kast te bewegen waar deze vast zou komen te zitten, nam de Veiligheidsbewaker het over en hield de hand binnen de veilige zone, ook al probeerde de mens deze eruit te bewegen.

4. Waarom dit ertoe doet

Het artikel betoogt dat het bouwen van veilige robots momenteel lijkt op het bouwen van een op maat gemaakte automotor voor elke enkele rit. SPARK verandert dit in een plug-and-play systeem.

Voor Onderzoekers: Het is een standaard testomgeving. Iedereen kan zijn nieuwe veiligheidsideeën testen in dezelfde virtuele kamers met dezelfde robots, wat het gemakkelijk maakt om te vergelijken wie het beste werk levert.
Voor Ontwikkelaars: Je hoeft geen wiskundig genie te zijn om een robot veilig te maken. Je kiest gewoon de juiste "Veiligheidsbewaker"-module, plugt deze in je robot, en het werkt.

Samenvatting

SPARK is een toolkit die het gemakkelijk maakt om humanoïde robots een "veiligheidsbewustzijn" te geven. Het stelt ontwikkelaars in staat om verschillende robotlichamen, taken en veiligheidsregels te combineren en te wisselen. Het artikel bewijst dat door deze toolkit te gebruiken, robots veilig door complexe, drukke omgevingen kunnen navigeren en zelfs naast mensen kunnen werken, terwijl ze zowel in virtuele simulaties als op echte hardware grondig worden getest.

Technische Samenvatting: SPARK (Safe Protective and Assistive Robot Kit)

1. Probleemstelling

Humanoïde robots bezitten aanzienlijke fysieke capaciteiten die substantiële veiligheidsrisico's met zich meebrengen bij interactie met complexe omgevingen en mensen. Hoewel er talrijke veilige besturingsmethoden bestaan—variërend van analytische methoden zoals Control Barrier Functions (CBF) tot datagedreven beleidsregels—is het synthetiseren en implementeren van deze controllers inefficiënt voor niet-experts.

De geïdentificeerde kernuitdagingen zijn:

Gebrek aan Modulariteit: Het synthetiseren van een veilige controller vanaf nul voor elke nieuwe robot, taak of omgeving is tijdrovend. Bestaande toolboxes missen vaak de modulariteit om naadloos te integreren met diverse frameworks of om complexe, hoogdimensionale systemen zoals humanoïden aan te kunnen.
Schaalbaarheid en Generalisatie: Het is moeilijk om een enkele universele veilige controller te ontwerpen die in staat is om variërende taken, diverse robotdynamica en veranderende omgevingen te hanteren. Huidige benchmarks richten zich vaak op veilige reinforcement learning (RL) of eenvoudige mobiele robots, en bieden onvoldoende gestandaardiseerde taken voor het vergelijken van modelgebaseerde veilige besturingsmethoden op complexe humanoïde platforms.
Barrières bij Implementatie: Efficiënte implementatie vereist een eenvoudige specificatie van doelstellingen en restricties, een geïnformeerde selectie van besturingsbenaderingen en een afstemming-vrije integratie met echte hardware, wat huidige systemen niet volledig ondersteunen.

2. Methodologie: Het SPARK-framework

Om deze uitdagingen aan te pakken, introduceren de auteurs SPARK (Safe Protective and Assistive Robot Kit), een uitgebreid, modulair en composabel benchmark-framework ontworpen voor de synthese, het testen en de implementatie van veilige controllers voor humanoïde robots.

A. Modulaire Architectuur

SPARK deelt het proces van controlesynthese op in afzonderlijke, uitwisselbare modules gebaseerd op de natuurlijke afhankelijkheden van robotbesturingssystemen:

Configuratiemodule: Verpakt robotspecifieke dynamica (bijv. vrijheidsgraden, motorinterfaces) en systeemmodellen.
Agentmodule: Fungeert als de interface naar de fysieke wereld of simulatie. Het beheert de statusuitvoering en ondersteunt zowel gesimuleerde agenten (MuJoCo) als echte robots (bijv. Unitree G1) via hardware SDK's.
Taakmodule: Aggregeert systeemstatussen, robotstatussen en door de gebruiker gedefinieerde doelen (bijv. teleoperatie-commando's, trajecten) in een uniforme datastructuur. Het ontkoppelt informatieverzameling van het besturingsalgoritme.
Algoritmemodule (Back-end):
- Policy Module: Genereert nominale besturingscommando's om prestatiedoelstellingen te bereiken (bijv. een doel bereiken) zonder rekening te houden met veiligheid.
- Safety Module: Wijzigt of overschrijft nominale commando's om veiligheidsrestricties af te dwingen. Dit ontkoppelde ontwerp stelt gebruikers in staat om veiligheidsalgoritmen te wisselen zonder de nominale policy te wijzigen.

B. Veiligheidsopties en Algoritmen

SPARK implementeert een reeks op energiefuncties gebaseerde veiligheidsalgoritmen (waardegebaseerde methoden) die een scalaire energiefunctie $\phi(x)$ definiëren om risico te kwantificeren. Het framework ondersteunt:

Safe Set Algorithm (SSA): Gebruikt een veiligheidsindex om te garanderen dat het systeem binnen een veilige set blijft.
Control Barrier Function (CBF): Dwingt veiligheid af door te garanderen dat $\dot{\phi} < -\alpha(\phi)$ .
Sublevel Safe Set (SSS): Combineert de sterktes van SSA en CBF door alleen correcties toe te passen wanneer de restricties actief zijn.
Potential Field Method (PFM): Gebruikt afstotende krachten in de Cartesiaanse ruimte.
Sliding Mode Algorithm (SMA): Houdt de systeemstatus rond een glijlaag gedefinieerd door $\phi=0$ .

Deze algoritmen lossen beperkte optimalisatieproblemen op (meestal Quadratic Programming) om de afwijking van de referentiebesturing te minimaliseren terwijl ze voldoen aan de veiligheidsrestricties afgeleid van paarwijze afstandfuncties tussen robotverbindingen en obstakels.

C. Benchmark Suite

SPARK biedt een gestandaardiseerde testsuite met:

Robotconfiguraties: Gebaseerd op de Unitree G1 humanoïde, inclusal variaties zoals fixed-base, mobile-base (floating) en sport-mode (learned policy) dynamica.
Taakdoelstellingen: Armmanipulatie (bereiken van 3D-doelen) en base-navigatie (2D doelbereiking).
Restricties: Statische en dynamische obstakels (gemodelleerd als bollen en dozen), zelfbotsingvermijding en variërende obstakel-densiteiten.
Metrieken: Stap-gewijze gemiddelde scores voor arm/base doeltracking ( $J_{arm}, J_{base}$ ) en zelf/omgeving veiligheid ( $M_{self}, M_{env}$ ).

3. Belangrijkste Bijdragen

Een Modulair Framework: SPARK biedt een "plug-and-play" architectuur die gebruikers in staat stelt om aangepaste veilige controlescenario's samen te stellen door modules te wisselen (bijv. de robotdynamica, taken of veiligheidsalgoritmen veranderen) zonder het hele systeem opnieuw te ontwerpen.
Gestandaardiseerde Benchmarking: Het biedt de eerste gestandaardiseerde benchmark die specifelijk bedoeld is voor het vergelijken van modelgebaseerde veilige besturingsbenaderingen op hoogdimensionale humanoïde robots, waarmee een gat in de bestaande literatuur wordt opgevuld die sterk gericht is op veilige RL of eenvoudigere platforms.
Sim-to-Real Deployment: Het framework overbrugt de kloof tussen simulatie en realiteit door real-time middleware (ROS, DDS) en externe sensoren (Apple Vision Pro, Motion Capture) te ondersteunen, wat de directe implementatie van gesynthetiseerde controllers op echte hardware (Unitree G1) mogelijk maakt.
Uitgebreide Algoritmesuite: Het implementeert en vergelijkt vijf verschillende veilige besturingsalgoritmen, wat een baseline biedt voor toekomstig onderzoek en een gereedschapskist voor praktijkgebruikers.

4. Experimentele Resultaten

De auteurs hebben SPARK geëvalueerd via simulatiebenchmarks en real-robot casestudy's met de Unitree G1.

Prestaties van Algoritmen:
- Optimalisatiegebaseerde methoden (SSA, CBF, SSS) vertoonden een superieur evenwicht tussen veiligheid en efficiëntie vergeleken met PFM, dat moeite had in hoogdimensionale gewrichtsruimtes.
- SSS behaalde de hoogste succespercentages voor whole-body bewegingstaken, terwijl SMA goed presteerde voor fixed-base taken.
- CBF blonk uit in omgevingsveiligheid, maar offerde soms bewegingsnauwkeurigheid op.
- PFM liet consequent de laagste prestaties zien in complexe, beperkte omgevingen.
Trade-offs: De studie benadrukte de inherente afweging tussen veiligheid en efficiëntie. Optimalisatiegebaseerde methoden gaven over het algemeen prioriteit aan veiligheid, terwijl niet-optimalisatie methoden zoals SMA betere efficiëntie boden in eenvoudigere scenario's.
Real-World Deployment:
- Veilige Autonomie: De echte robot vermeed succesvol botsingen met menselijke handen terwijl het statische en dynamische doelen volgde.
- Veilige Teleoperatie: Met behulp van Apple Vision Pro voerde de robot veilig teleoperatie-commando's uit (bijv. het ophalen van objecten) terwijl prioriteit werd gegeven aan botsingsvermijding wanneer een menselijke hand de veiligheidszone betrad.
- Sim-to-Real Correlatie: Statistische analyse toonde een hoge Pearson-correlatie ( $r > 0,7$ ) tussen simulatie- en real-world metrieken voor doeltracking en veiligheidsafstanden, wat de getrouwheid van het framework valideert.
- Computationele Kosten: Het systeem behield een runtime frequentie van ongeveer 70–100 Hz op een standaard laptop CPU, wat voldoende is voor real-time besturing.

5. Betekenis en Claims

Het artikel beweert dat SPARK de drempel voor het synthetiseren en implementeren van veilige controllers voor complexe robotica aanzienlijk verlaagt. Door een modulair, uitbreidbaar en composabel framework te bieden, stelt het onderzoekers in staat om:

Snel veilige besturingsstrategieën te prototypen en te benchmarken over diverse robotconfiguraties en taken.
Naadloos over te gaan van simulatie naar real-world implementatie met minimale frictie.
De trade-offs tussen veiligheid en prestaties systematisch te evalueren, wat de ontwikkeling van robuustere humanoïde autonomie bevordert.

De auteurs erkennen beperkingen, waarbij zij opmerken dat de huidige implementatie geen onderscheid maakt tussen onvermijdelijke botsingen en methodologische fouten, en dat "model mismatch" tussen simulatie en realiteit een uitdaging blijft. Zij positioneren SPARK als een fundamenteel instrument om onderzoek te versnellen, met toekomstige plannen om veilige reinforcement learning, formele verificatietools en automatische strategie-afstemming te integreren.