💻 computer science

SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization

SURE is een robuust trajectoptimalisatiekader dat de onzekerheid in contacttiming expliciet modelleert door trajecten te vertakken en weer samen te voegen, wat de succespercentages in robotische taken met discontinue dynamica aanzienlijk verbetert vergeleken met conventionele deterministische benaderingen.

Oorspronkelijke auteurs: Zhuocheng Zhang, Haizhou Zhao, Xudong Sun, Aaron M. Johnson, Majid Khadiv

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zhuocheng Zhang, Haizhou Zhao, Xudong Sun, Aaron M. Johnson, Majid Khadiv

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 vallend ei probeert te vangen met een robotische hand. Het probleem is dat je niet precies weet wanneer het ei je hand zal raken. Misschien valt het een fractie van een seconde sneller, of misschien een klein beetje langzamer.

Als je de robot programmeert om te bewegen op basis van een "perfecte gok" (ervan uitgaande dat het ei exact na 2,00 seconden de hand raakt), en het ei raakt de hand daadwerkelijk na 2,01 seconden, dan bevindt de robot zich misschien in de verkeerde positie, laat hij het ei vallen, of slaat hij het kapot. Dit is het probleem met de meeste huidige robotplanning: ze gaan ervan uit dat de wereld voorspelbaar is, terwijl de werkelijkheid rommelig en onzeker is.

Dit artikel introduceert een nieuwe methode genaamd SURE (Safe Uncertainty-Aware Robot-Environment Interaction) die robots helpt te plannen voor de "wat als"-scenario's.

Het Kernidee: De "Vertakkende Pad"-analogie

Denk aan het plannen van de beweging van een robot als het plannen van een autovakantie waarbij je niet precies weet wanneer je in de file terechtkomt.

De Oude Manier (Nominale Planning): Je plant één enkele route uitgaande van het scenario dat de file precies om 14:00 uur begint. Als de file echter om 14:05 uur begint, zit je vast in een doodlopende weg omdat je plan de vertraging niet heeft meegerekend.
De "Brute Force"-manier (Boomzoekmethode): Je plant elke mogelijke route voor elke mogelijke tijd van de file. Als de file om 14:00, 14:01, 14:02, enzovoort kan plaatsvinden, bereken je voor elk moment een unieke route. Dit is ontzettend veilig, maar het kost zoveel rekenkracht dat de robot misschien bevriest voordat hij überhaupt begint te bewegen.
De SURE-manier: Dit is de innovatie van het artikel. Stel je voor dat je over een hoofdweg rijdt totdat je bij een splitsing komt waar de file zou kunnen ontstaan.
- Als de file vroeg begint, neem je Tak A.
- Als de file laat begint, neem je Tak B.
- De Magische Truc: Ongeacht welke tak je neemt, ze komen allemaal weer samen op dezelfde hoofdweg een paar kilometer verderop, leidend naar je uiteindelijke bestemming.

SURE berekent dit "vertakkende en samenkomen" plan in één keer. Het plant niet alleen voor één scenario; het plant voor een reeks mogelijkheden, maar dwingt al die mogelijkheden om weer samen te komen bij een veilig punt. Dit maakt het plan robuust (het werkt zelfs als er iets iets misgaat) maar houdt de computerberekeningen beheersbaar (de robot hoeft niet voor elke seconde van de dag een unieke route te berekenen).

Hoe ze het hebben getest

De onderzoekers hebben dit idee getest met twee scenario's uit de echte wereld:

1. De Cart-Pole Swing (De Gymnast)
Stel je een robot voor met een karretje waar een stok bovenop staat. De robot moet de stok zwaaien en tegen een muur slaan om te voorkomen dat deze omvalt. Het probleem? De robot weet niet precies waar de muur is; deze kan een paar centimeter dichterbij of verder weg zijn.

Resultaat: Wanneer ze de oude "perfecte gok"-methode gebruikten, faalde de robot ongeveer de helft van de tijd omdat hij de muur verkeerd inschatte. Toen ze SURE gebruikten, bedacht de robot een strategie die werkte, zelfs als de muur op de verkeerde plek stond. Dit verbeterde het succespercentage met 21,6%.

2. Het Vangen van het Ei (De Verfijnde Taak)
Een robotarm probeert een vallend ei te vangen. Het ei kan een fractie van een seconde eerder of later worden losgelaten dan verwacht.

Resultaat: De oude methode maakte vaak het ei kapot omdat de hand van de robot te snel bewoog of onder een verkeerde hoek bewoog toen het ei arriveerde. De SURE-methode leerde de robot om meer vloeiend te bewegen en in een "veiligere" positie te wachten, klaar om het ei te vangen of het nu eerder of later arriveert. In tests in de echte wereld verhoogde dit het succespercentage met 40%.

Waarom dit belangrijk is

Dit artikel laat zien dat door de planning van een robot te laten "vertakken" om onzekerheid op te vangen en vervolgens weer te laten "samenkomen" bij een gezamenlijk doel, we robots veel betrouwbaarder kunnen maken.

Het gaat niet alleen over veiligheid: Het gaat ook over efficiëntie. De SURE-methode is slim genoeg om de onzekerheid aan te pakken zonder dat er een supercomputer nodig is om miljoenen afzonderlijke paden te berekenen.
Het verandert de strategie: De robot reageert niet alleen op onzekerheid; hij verandert zijn hele bewegingsstijl om meer vergevingsgezind te zijn. Bijvoorbeeld, in de taak van het eivangen bewoog de SURE-robot anders voordat hij het ei zelfs maar aanraakte, waardoor hij zichzelf een grotere veiligheidsmarge gaf.

Kortom, SURE leert robots om te stoppen met ervan uitgaan dat de wereld zich perfect zal gedragen, en in plaats daarvan een flexibele route te plannen die werkt ongeacht hoe de timing verschuift, terwijl de computerberekeningen snel genoeg blijven voor real-time gebruik.

Technische Samenvatting: SURE – Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization

1. Probleemstelling

Robotische taken die gepaard gaan met intermitterend contact met de omgeving (bijv. voortbeweging, manipulatie) resulteren in hybride dynamische systemen met discontinue dynamica. Standaard Trajectory Optimization (TO) voor deze systemen gaat doorgaans uit van deterministische contactgebeurtenissen (bijv. de exacte timing van impact). Echter, in realistische scenario's is de omgevingsperceptie onzeker, en leiden modelleringsfouten of trackingonnauwkeurigheden vaak tot discrepanties tussen de geplande en de werkelijke contacttijden.

Bestaande robuuste regelmethoden pakken deze onzekerheid primair aan op het niveau van de feedback, zonder het nominale traject aan te passen, wat de prestaties beperkt in scenario's zoals vertraagd contact. Andere benaderingen, zoals Reference Spreading of Tree Optimal Control Problems (Tree OCP), missen ofwel langetermijnoptimaliteit of lijden onder een evenredig hoge computationele complexiteit door brute-force enumeratie van alle mogelijke vertakkende trajecten. De kernuitdaging is het ontwikkelen van een TO-framework dat expliciet rekening houdt met contacttiming-onzekerheid om de robuustheid te vergroten terwijl de computationele efficiëntie behouden blijft.

2. Methodologie

A. Nominale Formulering

Het artikel stelt eerst een baseline vast met behulp van een multiple-shooting TO-formulering. Deze gaat ervan uit dat contact plaatsvindt op een specifieke, deterministische knoop $c$ . De optimalisatie minimaliseert een kostenfunctie onderhevig aan systeemdynamica, systeem- en invoerrestricties, en een guard-functie $g(x)$ die het contactevent triggert (de overgang van vrije beweging naar impactdynamica).

B. Het SURE-framework

SURE (Safe Uncertainty-Aware Robot-Environment Interaction) introduceert een nieuwe formulering die expliciet contacttiming-onzekerheid modelleert zonder de exponentiële kosten van volledige tree-gebaseerde enumeratie.

Branching and Rejoining Topologie:
In plaats van afzonderlijke trajecten te plannen vanaf elke mogelijke post-impact staat naar de terminale staat, construeert SURE een branching fase ( $K$ ) die het bereik van mogelijke pre-impact staten beslaat. Vanuit elk knooppunt in deze fase vertakt een traject zich. Cruciaal is dat al deze vertakkingen worden gedwongen om te herverenigen met één gedeeld eindtraject bij een specifieke knoop ( $K_e + 1$ ).
- Common Trajectory: Het pad vóór het contact en het pad na de hervereniging worden gedeeld.
- Branching Phase: Representeert het onzekerheidsvenster waarin contact kan plaatsvinden.
- Rejoining Phase: Korte trajecten die de post-impact staat van elke tak verbinden met het gemeenschappelijke eindtraject.
Optimalisatie Formulering:
De doelfunctie minimaliseert de lopende kosten over het gemeenschappelijke traject, de kosten over alle herverenigende takken en de terminale kosten.
- Onzekerheidsmodellering: Een variabele $d$ representeert de helft van de breedte van het onzekerheidsbereik. Restricties dwingen af dat de guard-functie $g(x)$ gelijk is aan $d$ bij de vroegst mogelijke contactknoop ( $K_0$ ) en $-d$ bij de laatst mogelijke ( $K_e$ ).
- Restricties: Elke tak moet voldoen aan de dynamica en restricties vanaf zijn specifieke post-impact staat totdat deze weer samenkomt met het gemeenschappelijke traject.
Control Execution Strategieën:
- Trajectory Scheduling: Indien contactdetectie beschikbaar is, schakelt de controller over naar het specifieite traject dat overeenkomt met de gedetecteerde contacttijd.
- Robust Nominal Trajectory: Indien detectie niet beschikbaar is, volgt het systeem een enkel "robuust nominaal" traject. Dit is doorgaans de middelste tak (evenwijdig aan de uitersten van de onzekerheid), die wordt geoptimaliseerd om goed te presteren over het gehele onzekerheidsbereik, zelfs als het niet het optimale pad is voor een specifieke realisatie.

3. Belangrijkste Bijdragen

Verenigd Robuust TO-framework: SURE houdt expliciet rekening met contacttiming-onzekerheid door trajecten te laten vertakken en herverenigen, waarbij een balans wordt gevonden tussen robuustheid en computationele efficiëntie.
Computationele Efficiëntie: Door takken te dwingen te herverenigen met een gemeenschappelijk traject, vermijdt SURE de "vloek van de dimensionaliteit" die geassocieerd wordt met volledige Tree OCP-formuleringen, wat het aantal beslissingsvariabelen en de rekentijd aanzienlijk vermindert.
Experimentele Validatie: Het artikel biedt de eerste experimentele validatie van een dergelijke robuuste formulering in een real-world setting (het vangen van een ei), waarmee het verder gaat dan louter theoretische of simulatiegebaseerde claims.

4. Resultaten

Casus I: Cart-Pole Systeem

Taak: Het stabiliseren van een cart-pole systeem met een impact op een muur op een onzekere locatie ( $\pm d$ ).
Simulatie: Vergeleken met een nominale TO en een Tree OCP-benadering.
- Succespercentage: SURE met trajectory scheduling behaalde een succespercentage van 66,4% over vier initiële condities, vergeleken met 44,8% voor de nominale benadering.
- Robust Nominal: Zelfs zonder scheduling (door alleen de middelste tak te gebruiken), verbeterde SURE het succespercentage naar 55,3%, wat aantoont dat het optimalisatieproces zelf de pre- en post-contact beweging vormgeeft om robuuster te zijn.
- Efficiëntie: Vergeleken met Tree OCP verminderde SURE de totale rekentijd met 39,78% en de post-warm-start tijd met 76,05%, met slechts een 4,85% toename in de theoretisch optimale kosten.

Casus II: Egg Catching (Real-World Experiment)

Taak: Een Unitree Z1 robotarm die een vallend ei vangt met een onzekere release-timing (gesimuleerd door de variërende vertraging $t_{wait}$ ).
Experiment: Fysieke proeven vergeleken het nominale traject met het SURE robuuste nominale traject.
- Succespercentage: SURE behaalde een totaal succespercentage van 85%, vergeleken met 45% voor het nominale traject. Dit vertegenwoordigt een verbetering van 40% in succespercentage onder timing-onzekerheid.
- Impact Analyse: Het robuuste nominale traject behield een lagere maximale relatieve impactsnelheid (2,67 m/s vs. 3,93 m/s voor de nominale variant) over variërende valhoogtes, waardoor het risico op breuk effectief werd gemitigeerd.

5. Betekenis en Claims

Het artikel claimt dat SURE de robuustheid aanzienlijk verbetert vergeleken met conventionele nominale formuleringen zonder de hoge computationele kosten van uitputtende tree-gebaseerde methoden met zich mee te brengen.

Strategische Adaptatie: De resultaten tonen aan dat SURE niet enkel de lokale beweging nabij het contactmoment aanpast, maar de globale bewegingsstrategie herstructureert (bijv. het wijzigen van benaderingshoeken en bufferafstanden) om onzekerheid op te vangen.
Praktische Leefbaarheid: Het succesvolle real-world ei-vang experiment valideert dat het theoretische framework effectief vertaald kan worden naar fysieke systemen met inherente actuatie- en sensorgestuurde vertragingen.
Toekomstige Richtingen: De auteurs merken op dat het framework momenteel beperkt is tot enkele contactgebeurtenissen en zij plannen om dit uit te breiden naar meerdere sequentiële contacten en floating-base systemen (loco-manipulatie) in toekomstig werk. Zij streven er ook naar om onzekerheid-geconditioneerde policies te leren op basis van de robuuste formulering.