HMPCC: Human-Aware Model Predictive Coverage Control

1. Problema Abordado

O artigo aborda o desafio de coordenar uma equipe de robôs para realizar a cobertura de um ambiente desconhecido, enquanto garantem operações seguras e evitam colisões com agentes não cooperativos (humanos).

Os métodos tradicionais de cobertura (como tesselação de Voronoi e o algoritmo de Lloyd) possuem limitações significativas em cenários do mundo real:

• Assumem ambientes convexos e conhecidos.
• Utilizam funções de densidade estáticas.
• Ignoram a dinâmica não linear dos robôs.
• Tratam a presença humana de forma reativa ou com modelos estáticos, falhando em prever comportamentos imprevisíveis.

O objetivo principal é desenvolver um framework de controle que permita a cobertura eficiente em ambientes não convexos, com dinâmicas robóticas genéricas e, crucialmente, integrando a previsão de trajetórias humanas para uma coordenação proativa.

2. Metodologia: HMPCC

Os autores propõem o HMPCC (Human-Aware Model Predictive Coverage Control), um framework baseado em Controle Preditivo Modelado (MPC) que opera de forma totalmente descentralizada (sem comunicação explícita entre robôs).

Componentes Principais:

• Modelagem do Ambiente: O ambiente é modelado como um Mapa de Densidade usando um Modelo de Mistura Gaussiana (GMM), representando regiões de interesse.
• Previsão de Trajetória Humana (HTP): O sistema integra um preditor de trajetórias humanas. A posição futura de cada humano é modelada como uma distribuição Gaussiana com média ($\mu$) e matriz de covariância ($\Sigma$), capturando a incerteza crescente ao longo do horizonte de previsão.
• Função de Custo (MPC):
  • Custo de Cobertura ($J_{cov}$): Minimiza a distância quadrática ponderada entre os robôs e a densidade de interesse dentro de uma célula de Voronoi limitada. Diferente de abordagens clássicas, o horizonte de previsão é mantido fixo para viabilidade computacional.
  • Custo de Entrada de Controle ($J_u$): Penaliza manobras agressivas e consumo de energia, promovendo trajetórias suaves.
  • Custo de Relaxação ($J_\delta$): Um termo adicional que permite relaxar progressivamente as restrições de segurança ao longo do horizonte de previsão para lidar com a incerteza acumulada.
• Restrições de Segurança (Chance Constraints):
  • Evitação de Obstáculos: Restrições rígidas de distância mínima para obstáculos estáticos.
  • Evitação de Humanos: Utiliza uma restrição de chance baseada na distância de Mahalanobis. A probabilidade de colisão entre um robô e a distribuição de probabilidade de um humano deve permanecer abaixo de um nível de risco ($\alpha$). Isso permite que o robô antecipe e desvie de humanos antes que eles entrem em uma zona de perigo imediata.
• Dinâmica Robótica: O framework suporta modelos de dinâmica genéricos (integrador simples, duplo integrador, unicycle), formulando as equações de movimento como restrições no problema de otimização quadrática (QP).

3. Contribuições Chave

1. Framework MPC para Cobertura: Desenvolvimento de uma estratégia de controle baseada em otimização que lida com dinâmicas robóticas genéricas e ambientes não convexos, superando as limitações dos métodos baseados em Voronoi clássico.
2. Integração Proativa de Humanos: A incorporação de previsão de trajetória humana diretamente na formulação do MPC. Isso permite que os robôs coordenem suas ações proativamente, evitando colisões e mantendo a eficiência da cobertura, mesmo com intenções humanas desconhecidas.
3. Operação Descentralizada: O sistema funciona sem comunicação explícita entre robôs, tornando-o robusto para cenários hostis ou com limitações de comunicação.

4. Resultados Experimentais

Os autores avaliaram o HMPCC em simulações (Gazebo com robôs TurtleBot3) e compararam com uma abordagem híbrida de base (controle de cobertura limitado + repulsão potencial).

• Ambiente Convexo (Sem Humanos): O HMPCC demonstrou convergência mais rápida para a tesselação de Voronoi centralizada em comparação com a abordagem de base, devido à otimização direta do custo de cobertura ao longo do horizonte.
• Ambiente Não Convexo (Sem Humanos): Enquanto a abordagem de base frequentemente ficava presa em mínimos locais devido a obstáculos, o HMPCC conseguiu navegar ao redor deles e alcançar as áreas de interesse, demonstrando maior robustez.
• Ambiente com Humanos:
  • O HMPCC alcançou uma taxa de sucesso de 100% em cenários com 3 e 6 humanos, enquanto a abordagem de base falhou frequentemente (taxas de sucesso de 20% a 60%).
  • Os robôs foram capazes de se dispersar temporariamente para abrir caminho para humanos e retornar às áreas de interesse, evitando colisões sem interromper a tarefa de cobertura.
  • A eficácia da cobertura ($E$) manteve-se alta (acima de 0.87) mesmo com 9 humanos presentes.
• Viabilidade Computacional: Simulações em hardware real (PC com GPU) rodando a 10 Hz confirmaram a viabilidade do método em tempo real.

5. Significado e Conclusão

O trabalho HMPCC representa um avanço significativo na robótica de enxame e cobertura, preenchendo a lacuna entre o controle de cobertura teórico e a aplicação prática em ambientes compartilhados com humanos.

• Segurança Proativa: Ao invés de reagir a humanos quando eles já estão próximos, o sistema prevê seus movimentos, permitindo manobras de evasão mais suaves e seguras.
• Eficiência: A otimização baseada em MPC supera os métodos reativos tradicionais, evitando mínimos locais e garantindo uma cobertura mais rápida e completa.
• Aplicabilidade: A metodologia é essencial para missões críticas como busca e resgate, vigilância e monitoramento ambiental, onde a interação com humanos é inevitável e a comunicação pode ser limitada.

Em suma, o HMPCC demonstra que a integração de modelos de previsão humana dentro de um framework de controle preditivo é fundamental para a operação segura e eficiente de robôs em ambientes dinâmicos e complexos.