Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction

Título: Controle de Impedância Preditivo por Modelo com Processos Gaussianos para Interação Humana e Ambiental

1. Problema e Motivação

A execução de tarefas robóticas que envolvem contato físico com humanos e ambientes incertos (como variações na configuração do ambiente, objetivos humanos desconhecidos ou ruídos no modelo) representa um desafio significativo.

• Desafio Atual: Métodos existentes de adaptação de impedância (controle de rigidez, amortecimento e inércia) geralmente tratam incertezas de forma isolada (ex: apenas aprendizado por demonstração ou apenas rejeição de perturbações). Eles falham em lidar com a gama ampla de incertezas simultâneas presentes em tarefas reais de colaboração física.
• Necessidade: É necessário um framework unificado que permita ao robô planejar trajetórias e adaptar seus parâmetros de impedância em tempo real, sem depender de modelos analíticos complexos do ambiente ou de grandes volumes de dados, garantindo segurança e desempenho ergonômico.

2. Metodologia Proposta

O artigo propõe um framework de Controle Preditivo por Modelo (MPC) não linear que otimiza simultaneamente a trajetória do robô e seus parâmetros de impedância. O núcleo da abordagem é o uso de Processos Gaussianos (GPs) para modelar as forças externas.

Componentes Principais:

• Modelagem com Processos Gaussianos (GPs):

  • Os GPs são usados para aprender um modelo de tarefa a partir de poucas demonstrações (≤ 3).
  • Eles modelam três tipos de forças externas: forças humanas ($f_h$), forças de contato ambiental ($f_c$) e forças de perturbação ($f_d$).
  • O GP fornece uma distribuição de probabilidade (média e covariância) sobre as forças esperadas para uma dada posição, capturando a incerteza do modelo.
  • Um modelo de perturbação em domínio de frequência (filtro passa-alta) é utilizado para distinguir forças de processo (ex: vibração de polimento) das forças de interação humana (baixa frequência).

• Formulação do Problema de Otimização (MPC):

  • Dinâmica Estocástica: O sistema utiliza uma dinâmica de admitância discretizada onde o estado (posição e velocidade) é tratado como uma distribuição gaussiana. A evolução da média e da covariância do estado é calculada explicitamente.
  • Variáveis de Decisão: O MPC otimiza não apenas a referência de força ($f^r$) para a trajetória, mas também os parâmetros de impedância (Inércia $M$ e Amortecimento $D$).
  • Função de Custo: Inclui termos para:
    • Seguir a trajetória esperada (baseada no GP).
    • Minimizar custos ergonômicos (torques nas articulações humanas).
    • Rejeição de perturbações em domínio de frequência.
    • Penalidades na incerteza do modelo (covariância).
  • Restrições de Segurança:
    • Restrição de Chance de Força: Garante que a probabilidade de exceder um limite de força de contato seja baixa, considerando a incerteza do GP.
    • Restrição de Amortecimento Adequado (Well-damped): Ajusta o amortecimento virtual com base na rigidez estimada do ambiente para garantir estabilidade no contato, evitando oscilações.

• Inferência de Objetivos Humanos:

  • O framework assume que o objetivo humano pode ser discreto (ex: escolher entre dois furos para montagem). Um estimador bayesiano atualiza a "crença" ($b_t$) sobre qual objetivo o humano está perseguindo em tempo real, ajustando a otimização do MPC conforme essa crença evolui.

3. Contribuições Chave

1. Taxonomia Unificada de Incerteza: Classificação e tratamento unificado de cinco categorias de incerteza (variação na demonstração, confiança na habilidade, restrições ambientais, perturbações externas e objetivos humanos) dentro de um único framework de controle.
2. Otimização Baseada em Gradiente de Impedância: Diferente de abordagens baseadas em amostragem, este trabalho propõe a primeira otimização baseada em gradiente de parâmetros de impedância dentro de um problema de MPC, permitindo a inclusão de restrições de segurança (força e estabilidade).
3. Modelos Intermediários de Tarefa: Uso de GPs não como geradores diretos de referência, mas como modelos de tarefa intermediários que se integram ao problema de otimização do MPC, permitindo objetivos explícitos dependentes da incerteza da trajetória.
4. Validação Experimental Robusta: Validação em três tarefas distintas de interação física humano-robô (HRI) com taxas de controle de 10-20 Hz.

4. Resultados Experimentais

Os experimentos foram realizados em três cenários principais:

• Montagem de Trilho (Rail Assembly):

  • O robô aprendeu a tarefa com variações na posição final.
  • Resultado: O sistema identificou automaticamente os graus de liberdade (DOF) variáveis e reduziu a impedância (rigidez/amortecimento) nesses eixos, permitindo que o humano ajustasse facilmente a posição, enquanto mantinha alta impedância nos eixos repetitivos para precisão.

• Polimento Colaborativo:

  • O humano guia o robô enquanto este executa o polimento (gerando vibrações de alta frequência).
  • Resultado: A adição do termo de custo de rejeição de perturbação em frequência aumentou a impedância na direção transversal ao movimento, suprimindo efetivamente as vibrações de alta frequência (>15 Hz) sem comprometer a capacidade do humano de guiar o robô. A otimização ergonômica reduziu a impedância quando o braço humano estava em posições biomecânicas desfavoráveis.

• Montagem de Duplo Pino no Buraco (Double Peg-in-Hole):

  • Cenário com múltiplos objetivos possíveis (dois buracos).
  • Resultado: O sistema inferiu online o objetivo humano (atualizando a crença) e ajustou a trajetória e a força de interação em tempo real para auxiliar o humano na escolha correta, demonstrando capacidade de lidar com incerteza de objetivo discreto.

• Análise de Contato e Segurança:

  • Comparação entre restrições de "chance" e "amortecimento adequado".
  • Resultado: A restrição de amortecimento adequado mostrou-se mais eficiente computacionalmente e mais estável em ambientes rígidos, evitando oscilações e perda de contato, enquanto a restrição de chance foi mais conservadora em cenários de alta variância.

5. Significado e Conclusão

Este trabalho avança significativamente o estado da arte na interação física humano-robô ao demonstrar que é possível lidar com múltiplas fontes de incerteza de forma unificada e em tempo real.

• Inovação: A combinação de GPs para modelagem de incerteza com MPC para otimização de impedância permite que o robô seja "inteligente" sobre o que sabe e o que não sabe, adaptando seu comportamento (tornando-se mais rígido onde é preciso e mais complacente onde há incerteza ou necessidade de colaboração).
• Aplicabilidade: O método não requer modelos analíticos complexos do ambiente, tornando-o viável para tarefas de manufatura semi-estruturadas onde o ambiente e os objetivos humanos podem variar.
• Limitações: A principal limitação identificada é o custo computacional, especialmente em cenários de contato rígido que exigem passos de integração pequenos para manter a estabilidade numérica. Além disso, a modelagem de GPs pode ter dificuldades com certos tipos de ruído não estacionário.

Em suma, o framework proposto oferece uma solução robusta para robôs colaborativos que precisam operar com segurança e eficiência em ambientes dinâmicos e incertos, equilibrando autonomia e colaboração humana.