Resumo Técnico: SPARK (Safe Protective and Assistive Robot Kit)

1. Declaração do Problema

Robôs humanoides possuem capacidades físicas significativas que impõem riscos substanciais de segurança ao interagir com ambientes complexos e humanos. Embora existam inúmeras abordagens de controle seguro — variando de métodos analíticos como Funções de Barreira de Controle (CBF) a políticas baseadas em dados — sintetizar e implantar esses controladores permanece ineficiente para não especialistas.

Os principais desafios identificados são:

• Falta de Modularidade: Sintetizar um controlador seguro do zero para cada novo robô, tarefa ou ambiente é demorado. As toolboxes existentes carecem da modularidade para se integrar perfeitamente a diversos frameworks ou lidar com sistemas complexos e de alta dimensão, como humanoides.
• Escalabilidade e Generalização: É difícil projetar um único controlador seguro universal capaz de lidar com tarefas variadas, dinâmicas de robôs diversas e ambientes em mudança. Os benchmarks atuais costumam focar em aprendizado por reforço (RL) seguro ou robôs móveis simples, falhando em fornecer tarefas padronizadas para comparar métodos de controle seguro baseados em modelo em plataformas humanoides complexas.
• Barreiras de Implantação: A implantação eficiente exige a especificação fácil de objetivos e restrições, seleção informada de abordagens de controle e integração livre de ajustes (tuning-free) com hardware real, o que os sistemas atuais não suportam totalmente.

2. Metodologia: O Framework SPARK

Para enfrentar esses desafios, os autores introduzem o SPARK (Safe Protective and Assistive Robot Kit), um framework de benchmark abrangente, modular e composível, projetado para a síntese, teste e implantação de controladores seguros para robôs humanoides.

A. Arquitetura Modular

O SPARK decompõe o processo de síntese de controle em módulos distintos e intercambiáveis, baseados nas dependências naturais dos sistemas de controle robótico:

1. Módulo de Configuração: Encapsula a dinâmica específica do robô (ex: graus de liberdade, interfaces de motores) e modelos do sistema.
2. Módulo de Agente: Atua como a interface para o mundo físico ou simulação. Ele lida com a execução de estados e suporta tanto agentes simulados (MuJoCo) quanto robôs reais (ex: Unitree G1) via SDKs de hardware.
3. Módulo de Tarefa: Agrega estados do sistema, estados do robô e objetivos definidos pelo usuário (ex: comandos de teleoperação, trajetórias) em uma estrutura de dados unificada. Ele desacopla a coleta de informações do algoritmo de controle.
4. Módulo de Algoritmo (Back-end):
   • Módulo de Política: Gera comandos de controle nominais para atingir objetivos de desempenho (ex: alcançar um alvo) sem considerar a segurança.
   • Módulo de Segurança: Modifica ou substitui comandos nominais para impor restrições de segurança. Este design desacoplado permite que os usuários troquem algoritmos de segurança sem alterar a política nominal.

B. Opções de Segurança e Algoritmos

O SPARK implementa uma suíte de algoritmos de segurança baseados em funções de energia (métodos baseados em valor) que definem uma função de energia escalar $\phi(x)$ para quantificar o risco. O framework suporta:

• Algoritmo de Conjunto Seguro (SSA - Safe Set Algorithm): Utiliza um índice de segurança para garantir que o sistema permaneça dentro de um conjunto seguro.
• Função de Barreira de Controle (CBF - Control Barrier Function): Impõe a segurança garantindo que $\dot{\phi} < -\alpha(\phi)$.
• Conjunto Seguro de Subnível (SSS - Sublevel Safe Set): Combina os pontos fortes do SSA e da CBF, aplicando correções apenas quando as restrições estão ativas.
• Método de Campo de Potencial (PFM - Potential Field Method): Utiliza forças repulsivas no espaço cartesiano.
• Algoritmo de Modo de Deslizamento (SMA - Sliding Mode Algorithm): Mantém o estado do sistema em torno de uma camada de deslizamento definida por $\phi=0$.

Esses algoritmos resolvem problemas de otimização restrita (tipicamente Programação Quadrática) para minimizar o desvio do controle de referência enquanto satisfazem restrições derivadas de funções de distância par a par entre os elos do robô e obstáculos.

C. Suíte de Benchmark

O SPARK fornece uma suíte de testes padronizada apresentando:

• Configurações de Robô: Baseadas no humanoide Unitree G1, incluindo variações como dinâmica de base fixa, base móvel (flutuante) e modo esportivo (política aprendida).
• Objetivos de Tarefa: Manipulação de braço (alcançar alvos 3D) e navegação de base (alcance de objetivo 2D).
• Restrições: Obstáculos estáticos e dinâmicos (modelados como esferas e caixas), autocolisão e densidades de obstáculos variáveis.
• Métricas: Pontuações médias passo a passo para rastreamento de objetivo do braço/base ($J_{arm}, J_{base}$) e segurança do próprio robô/ambiente ($M_{self}, M_{env}$).

3. Principais Contribuições

• Um Framework Modular: O SPARK oferece uma arquitetura "plug-and-play" que permite aos usuários montar cenários de controle seguro customizados ao trocar módulos (ex: mudando a dinâmica do robô, tarefas ou algoritmos de segurança) sem reengenheirar todo o sistema.
• Benchmarking Padronizado: Fornece o primeiro benchmark padronizado especificamente para comparar abordagens de controle seguro baseadas em modelo em robôs humanoides de alta dimensão, abordando uma lacuna na literatura existente que foca pesadamente em RL seguro ou plataformas mais simples.
• Implantação Sim-to-Real: O framework une simulação e realidade ao suportar middleware de tempo real (ROS, DDS) e sensores externos (Apple Vision Pro, Captura de Movimento), permitindo a implantação direta dos controladores sintetizados em hardware real (Unitree G1).
• Suíte de Algoritmos Abrangente: Implementa e compara cinco algoritmos distintos de controle seguro, fornecendo uma linha de base para pesquisas futuras e uma ferramenta para profissionais da área.

4. Resultados Experimentais

Os autores avaliaram o SPARK através de benchmarks de simulação e estudos de caso com robô real usando o Unitree G1.

• Desempenho dos Algoritmos:
  • Métodos baseados em otimização (SSA, CBF, SSS) demonstraram um equilíbrio superior entre segurança e eficiência em comparação ao PFM, que teve dificuldades em espaços de juntas de alta dimensão.
  • SSS alcançou as maiores taxas de sucesso para tarefas de movimento de corpo inteiro, enquanto o SMA teve bom desempenho para tarefas de base fixa.
  • CBF destacou-se na segurança ambiental, mas por vezes sacrificou a precisão do movimento.
  • PFM mostrou consistentemente o menor desempenho em ambientes complexos e restritos.
• Trade-offs: O estudo destacou o trade-off inerente entre segurança e eficiência. Métodos baseados em otimização geralmente priorizaram a segurança, enquanto métodos não de otimização como o SMA ofereceram melhor eficiência em cenários mais simples.
• Implantação no Mundo Real:
  • Autonomia Segura: O robô real evitou colisões com mãos humanas enquanto rastreava alvos estáticos e dinâmicos.
  • Teleoperação Segura: Usando o Apple Vision Pro, o robô executou comandos de teleoperação de forma segura (ex: recuperar objetos) enquanto priorizava a prevenção de colisões quando uma mão humana entrava na zona de segurança.
  • Correlação Sim-to-Real: A análise estatística mostrou alta correlação de Pearson ($r > 0,7$) entre as métricas de simulação e do mundo real para rastreamento de objetivo e distâncias de segurança, validando a fidelidade do framework.
  • Custo Computacional: O sistema manteve uma frequência de execução de aproximadamente 70–100 Hz em um laptop padrão, o que é suficiente para controle em tempo real.

5. Significância e Alegações

O artigo afirma que o SPARK reduz significativamente a barreira para a síntese e implantação de controladores seguros para sistemas robóticos complexos. Ao fornecer um framework modular, extensível e composível, ele permite que pesquisadores:

• Prototipem e testem rapidamente estratégias de controle seguro em diversas configurações de robôs e tarefas.
• Transitem perfeitamente da simulação para a implantação no mundo real com o mínimo de fricção.
• Avaliem sistematicamente os trade-offs entre segurança e desempenho, fomentando o desenvolvimento de uma autonomia humanoide mais robusta.

Os autores reconhecem limitações, observando que a implementação atual não distingue entre colisões inevitáveis e falhas do método, e que o "desajuste de modelo" (model mismatch) entre simulação e realidade continua sendo um desafio. Eles posicionam o SPARK como uma ferramenta fundamental para acelerar a pesquisa, com trabalhos futuros planejados para integrar aprendizado por reforço seguro, ferramentas de verificação formal e ajuste automatizado de estratégias.