STL-Based Motion Planning and Uncertainty-Aware Risk Analysis for Human-Robot Collaboration with a Multi-Rotor Aerial Vehicle

Resumo Técnico: Planejamento de Movimento Baseado em STL e Análise de Risco Consciente da Incerteza para Colaboração Humano-Robô com um Veículo Aéreo Multi-rotor

Definição do Problema
O artigo aborda o desafio de permitir uma colaboração segura, ergonômica e confortável entre Veículos Aéreos Multi-rotores (MRAVs) e operadores humanos em ambientes de alto risco e proximidade, especificamente motivado por cenários de manutenção de linhas de transmissão de energia. As abordagens existentes de interação humano-robô (HRI) aérea frequentemente falham ao não abordar conjuntamente a dinâmica não linear do veículo, limites de atuação, restrições ergonômicas, requisitos temporais de missão e a incerteza da pose humana dentro de um framework unificado. Embora alguns métodos lidem com segurança ou percepção, poucos incorporam lógica temporal formal para codificar objetivos de missão complexos (como direção de aproximação, visibilidade e tempo) enquanto modelam explicitamente a dinâmica não linear completa da plataforma aérea. O problema central é computar trajetórias dinamicamente viáveis que satisfaçam essas especificações multifacetadas enquanto quantificam o risco de violações de especificação sob incerteza.

Metodologia
O framework proposto integra Lógica Temporal de Sinal (STL) com otimização não linear e análise de risco.

1. Modelagem do Sistema: O MRAV é modelado como um sistema de Multi-rotor Genericamente Inclinado (GTMR) usando dinâmica Newton-Euler completa, considerando tanto configurações subatuadas quanto totalmente atuadas. O estado inclui posição, orientação, velocidades linear e angular, e forças dos motores.
2. Especificação de Missão via STL: Os objetivos da missão são codificados em uma única fórmula STL ($\pi$). Esta fórmula combina:
   • Segurança: Contenção do espaço de trabalho, desvio de obstáculos e proibição de aproximações por trás do operador.
   • Visibilidade: Alcançar um local designado à frente do operador e manter o alinhamento de proa para contato visual.
   • Ergonomia: Aproximar-se de direções preferidas pelo operador (ex: frente, lateral, topo).
   • Conforto: Limitar a velocidade de aproximação e as velocidades das hélices para reduzir ruído e vento.
   • Lógica Temporal: Impor sequências específicas (ex: fase de visibilidade antes da entrega/handover) e janelas de tempo.
3. Planejamento Baseado em Otimização: A geração de trajetória é formulada como um problema de otimização não linear, não suave e não convexo. O objetivo minimiza um termo de energia (para estender a autonomia) enquanto maximiza a robustez da fórmula STL.
   • Aproximação Suave: Para lidar com os operadores min/max não diferenciáveis inerentes ao cálculo de robustez da STL, os autores utilizam uma aproximação suave (baseada em funções Log-Sum-Exponential e min/max suaves). Isso permite o uso de técnicas de otimização baseadas em gradiente (especificamente IPOPT via CasADi).
   • Restrições: A otimização impõe explicitamente a dinâmica do GTMR, limites de força dos atuadores e um limiar mínimo de robustez ($\kappa$) para garantir margens de segurança.
4. Análise de Risco Consciente da Incerteza: Para lidar com a incerteza da pose humana, o framework trata o estado humano como um processo estocástico. Ele computa o escore de robustez para milhares de realizações de variações da pose humana. Métricas de risco, especificamente o Valor em Risco (VaR) e o Valor em Risco Condicional (CVaR), são calculadas para quantificar a probabilidade de violações das especificações da STL. Isso permite que os operadores determinem se uma trajetória planejada permanece segura sob níveis específicos de incerteza humana.
5. Replanejamento Baseado em Eventos: Um mecanismo de recuperação online é introduzido para lidar com distúrbios (ex: vento, falhas de hardware). Em vez de reotimizar a missão completa, o sistema aciona um replanificador de horizonte curto quando o desvio geométrico ou a robustez prevista criticamente para a segurança cai abaixo dos limiares. Este replanificador impõe apenas o subconjunto de predicados da STL criticamente seguros (espaço de trabalho, obstáculos, não aproximação por trás) para restaurar rapidamente a viabilidade, relaxando temporariamente as restrições de conforto e ergonomia para priorizar a evasão de colisão.

Principais Contribuições
O artigo reivindica as seguintes contribuições:

• Framework Unificado: A primeira formulação de planejamento de entrega de objetos para MRAVs que integra simultaneamente dinâmica não linear completa, restrições de atuadores, preferências ergonômicas/de conforto e especificações formais de STL.
• Análise Consciente de Risco: Um método sistemático para quantificar o risco de falha da missão sob incerteza da pose humana usando métricas VaR e CVaR, fornecendo uma base estatística para aceitação da missão.
• Replanejamento Consciente de Robustez: Uma estratégia online disparada por eventos que prioriza a recuperação criticamente segura sobre a adesão total à especificação durante distúrbios, garantindo eficiência computacional e reconexão rápida ao plano nominal.
• Otimização Consciente de Energia: A inclusão de um termo de minimização de energia que remodela as trajetórias para reduzir o uso de atuadores e estender a autonomia sem violar as especificações da missão.
• Validação: Validação extensiva através de simulações numéricas em MATLAB e simulações baseadas em física no Gazebo (Software-In-The-Loop) em uma tarefa de entrega de objeto.

Resultos
O framework foi avaliado em duas etapas:

1. Simulações em MATLAB: Demonstrou que a aproximação suave permite a solução do complexo problema de otimização. Os resultados mostraram que a inclusão do termo de energia resultou em trajetórias mais suaves, com menores velocidades de pico das hélices e consumo de energia reduzido em comparação ao planejamento agnóstico à energia, cumprindo ainda todas as restrições de STL. A análise de risco quantificou com sucesso como o aumento da covariância da pose humana degradava as margens de robustez, com VaR e CVaR fornecendo limiares claros para níveis aceitáveis de incerteza.
2. Simulações em Gazebo: Validou a viabilidade de malha fechada das trajetórias planejadas sob dinâmica completa do veículo e controle embarcado. O sistema executou com sucesso tarefas de entrega com diferentes preferências de aproximação (ex: destros, cima-para-baixo), aderindo aos limites de velocidade e de hélice. O replanificador baseado em eventos recuperou-se com sucesso de distúrbios simulados dentro de escalas de tempo de sub-segundo a poucos segundos, mantendo as restrições criticamente seguras enquanto relaxava as não críticas.

Significância e Alegações
Os autores posicionam este trabalho como um avanço significativo em relação às versões anteriores de conferências e à literatura existente, indo além de modelos de veículos simplificados e planejadores geométricos. O artigo afirma que sua abordagem fornece um método rigoroso e formal para codificar requisitos complexos de HRI (segurança, ergonomia, tempo) em um único problema de otimização. Ao introduzir métricas de risco conscientes da incerteza, o framework oferece uma ferramenta quantitativa para avaliar a viabilidade da missão antes da execução, em vez de depender apenas de margens conservadoras. A separação do planejamento offline (especificação total) e da recuperação online (subconjunto criticamente seguro) é destacada como uma estratégia prática para implantação em tempo real em ambientes dinâmicos e incertos. Os autores declaram explicitamente que o trabalho não pretende oferecer garantias de tempo real para ambientes não estruturados arbitrários, mas é adaptado para missões repetitivas e estruturadas, como a manutenção de linhas de transmissão. O trabalho futuro é identificado como experimentos de campo e a integração de modelos de fadiga humana.