Industrial Internet Robot Collaboration System and Edge Computing Optimization

Resumo Técnico: Sistema de Colaboração de Robôs de Internet Industrial e Otimização de Computação de Borda

Definição do Problema
Em ambientes de Internet industrial, como armazéns e manufatura flexível, robôs móveis enfrentam desafios significativos na geração de rotas globais livres de colisões. Esses desafios decorrem de layouts de obstáculos estocásticos e perturbações aleatórias nas velocidades lineares e angulares comandadas. Embora as abordagens existentes otimizem para distância mínima ou energia, elas frequentemente lutam contra mínimos locais e distúrbios de execução em ambientes complexos e congestionados. Além disso, a navegação de alta precisão requer a adesão estrita a restrições de movimento não holonômico, mantendo simultaneamente o rastreamento estável e a evasão de colisões. O artigo também aborda a latência e os problemas de tráfego inerentes à comunicação robô-servidor, propondo a computação de borda como um meio para melhorar a responsividade.

Metodologia
A abordagem proposta integra modelagem dinâmica, planejamento de trajetória global baseado em energia e controle fuzzy para execução, apoiados por computação no lado da borda (edge-side).

1. Modelagem Dinâmica e Decomposição de Comportamento:
   Os autores modelam um robô de tração diferencial com restrições não holonômicas. A equação dinâmica é inicialmente estabelecida com base na pose ($x, y, \theta$) e entradas de controle, sendo então simplificada em uma forma cinemática onde a velocidade linear ($\eta$) e a velocidade angular ($v$) direcionam o movimento. Para aumentar a controlabilidade, o movimento do robô é decomposto em três comportamentos parametrizados:

   • Evasão de Obstáculos: Ajusta a velocidade angular com base nos ângulos de desvio e no bearing do obstáculo, enquanto modula a velocidade linear com base na distância mínima ao obstáculo.
   • Aproximação ao Alvo: Limita a velocidade linear com base na distância ao objetivo e na velocidade máxima, mantendo os termos relacionados ao obstáculo.
   • Giro para o Alvo: Define a velocidade angular com base na diferença entre os bearings do objetivo e do obstáculo, limitando a velocidade linear.

2. Planejamento de Trajetória Global (Função de Energia e Simulated Annealing):
   O planejamento de trajetória global é formulado como um problema de otimização restrita. O modelo é convertido em uma função de energia ponderada ($F$) composta por um termo de comprimento de caminho ($F_l$) e um termo de penalidade de colisão ($F_z$). Uma rede neural de três camadas representa o modelo de planejamento. Para resolver a trajetória ótima e mitigar mínimos locais, os autores empregam o Simulated Annealing (Recozimento Simulado). Este algoritmo gera iterativamente trajetórias vizinhas, avalia mudanças de energia e aceita soluções inferiores com uma probabilidade que diminui conforme a "temperatura" baixa, convergindo para uma trajetória de baixa energia global.

3. Controle de Trajetória Global (Lógica Fuzzy):
   Durante a execução, um controlador fuzzy corrige desvios. As entradas são o desvio do ângulo de direção (limiar definido: $\pm10^\circ$) e o erro de deslocamento lateral (limiar definido: $\pm100$ mm). A saída é a velocidade diferencial entre as rodas esquerda e direita. O controlador utiliza funções de pertinência triangulares para correção de erro e desfuzzificação baseada em regras de especialistas para gerar ações de controle nítidas (crisp).

4. Integração de Computação de Borda:
   O artigo discute a movimentação do processamento para a borda para reduzir o tráfego robô-servidor e a latência, facilitando o compartilhamento oportuno de informações ambientais entre robôs colaborativos.

Principais Contribuições

• Parametrização Baseada em Comportamento: Uma decomposição inovadora do movimento do robô em comportamentos de evasão de obstáculos, giro para o alvo e aproximação ao alvo para parametrizar variáveis de controle sob restrições não holonômicas.
• Arquitetura de Planejamento Híbrida: A combinação de um modelo de planejamento baseado em rede neural com Simulated Annealing para buscar mínimos globais próximos em paisagens de energia complexas.
• Controlador Fuzzy de Correção de Erro: Uma estratégia de controle fuzzy específica que utiliza erros de direção e de deslocamento lateral para ajustar rapidamente os diferenciais de velocidade das rodas, garantindo que o robô permaneça dentro dos limiares de desvio definidos.
• Execução Otimizada pela Borda: Um framework que integra computação de borda para lidar com restrições de latência e largura de banda em colaboração industrial.

Resultados Experimentais
O método foi avaliado utilizando simulações no Matlab 2024, comparando a abordagem proposta com duas linhas de base: um planejador de restrição generalizada de servo-visão e um planejador de campo de segurança dinâmico/estático.

• Desvio de Trajetória: O método proposto manteve desvios dentro de $\pm5$ cm e alcançou convergência em 10 ms, superando as linhas de base tanto em estabilidade quanto em velocidade de convergência.
• Comprimento da Trajetória: À medida que as iterações aumentaram (até 500), o método proposto gerou consistentemente trajetórias mais curtas. Com 500 iterações, o método proposto alcançou um comprimento de trajetória de 106 m, comparado a 118 m (servo-visão) e 117 m (campo de segurança). O comprimento médio da trajetória para o método proposto foi de 114 m, significativamente menor que as linhas de base (132 m e 130 m, respectivamente).
• Robustez: As simulações demonstraram melhor robustez na navegação global sob condições estocásticas.

Significância e Limitações
O artigo afirma que esta abordagem melhora a robustez da navegação global em configurações industriais práticas ao equilibrar efetivamente a otimalidade da trajetória com a evasão de colisões e a estabilidade de rastreamento. A integração da computação de borda é destacada como um fator crítico para reduzir a latência em ambientes colaborativos.

Os autores reconhecem modestamente as limitações, observando que o sistema depende de suposições específicas de modelagem, do uso de funções de pertinência e regras fuzzy criadas manualmente, e da sensibilidade ao ruído de sensores ou mudanças ambientais abruptas. O trabalho futuro é identificado como a incorporação de detecção consciente de incerteza, ajuste adaptativo de parâmetros fuzzy e validação através de experimentos com robôs reais.