Resumo Técnico: Campos Vetoriais para Seguimento de Trajetória em Grupos de Lie com Aplicação em Controle Robótico

Declaração do Problema

Muitos sistemas robóticos, como veículos aéreos omnidirecionais, robôs subaquáticos e efetores finais de manipuladores, possuem controle independente sobre posição e orientação (postura). Esses sistemas operam como corpos rígidos no espaço tridimensional, evoluindo na variedade de configuração $SE(3)$ e não no espaço euclidiano. O problema central abordado é o seguimento de trajetória: guiar um sistema até uma curva geométrica sem uma parametrização temporal pré-definida. Diferentemente do rastreamento de trajetória, o seguimento de trajetória desacopla tarefas espaciais de especificações temporais, oferecendo vantagens como maior robustez a perturbações, convergência mais suave e esforço de controle reduzido.

Embora campos vetoriais orientadores tenham sido aplicados com sucesso ao seguimento de trajetória no espaço euclidiano ($\mathbb{R}^n$), estender essa estrutura para grupos de Lie como $SE(3)$ apresenta desafios. Abordagens anteriores frequentemente incorporam a variedade em um espaço euclidiano de dimensão superior e projetam as entradas de controle de volta, resultando em dimensões de controle redundantes (por exemplo, 9 dimensões para $SO(3)$ em vez das 3 intrínsecas). Além disso, métodos existentes em variedades frequentemente dependem de definições implícitas de curvas por conjuntos de nível, o que pode ser inconveniente para especificar trajetórias complexas. Este artigo aborda a necessidade de uma estrutura geral e intrínseca de campos vetoriais para seguimento de trajetória em grupos de Lie matriciais conexos que produza entradas de controle mínimas e não redundantes (por exemplo, torções corporais) e suporte representações de curvas paramétricas.

Metodologia

Estrutura Teórica

Os autores propõem uma estratégia geral de campo vetorial para grupos de Lie matriciais conexos $G$. A dinâmica do sistema é modelada como um sistema de primeira ordem totalmente atuado:
$$\dot{H}(t) = S(\xi(t))H(t)$$
onde $H(t) \in G$ é o estado, $\xi(t) \in \mathbb{R}^m$ é a entrada de controle (torção generalizada) e $S$ é um mapa linear de $\mathbb{R}^m$ para a álgebra de Lie $\mathfrak{g}$.

O campo vetorial orientador $\Psi(H)$ é construído como uma soma de dois componentes:
$$\Psi(H) = k_N(H)\xi_N(H) + k_T(H)\xi_T(H)$$

1. Componente Normal ($\xi_N$): Responsável pela convergência à curva. É derivado do gradiente de uma função de distância.
2. Componente Tangente ($\xi_T$): Responsável pela travessia ao longo da curva. É definido pelo vetor tangente da curva no ponto mais próximo.

Principais Inovações Matemáticas

Para estender a abordagem de campo vetorial euclidiana (especificamente de [11]) para grupos de Lie, os autores introduzem operadores específicos e propriedades de distância:

• Operadores:
  • Operador $\Xi$: Extrai o vetor de velocidade da álgebra de Lie a partir de um caminho diferenciável no grupo, análogo à derivada temporal $\frac{d}{dt}$.
  • Operador $\mathcal{L}$: Análogo ao operador gradiente $\nabla$ em um grupo de Lie, definido via o limite de derivadas direcionais ao longo da estrutura do grupo.
• Requisitos da Função de Distância: A estrutura depende de uma função de distância Elemento-a-Elemento (EE-) $\bar{D}$ que satisfaz três propriedades críticas:
  1. Invariância à Esquerda: $\bar{D}(AV, AW) = \bar{D}(V, W)$. Isso garante que os componentes normal e tangente sejam ortogonais.
  2. Encadeabilidade: A distância entre dois pontos é igual à soma das distâncias ao longo de um caminho específico que os conecta. Esta propriedade garante a ausência de mínimos locais fora da curva alvo.
  3. Linearidade Local: A distância comporta-se linearmente próximo ao caminho, garantindo que o gradiente (componente normal) nunca se anule fora da curva.

Especialização para $SE(3)$

Para o caso específico de $SE(3)$, o artigo define uma classe de Grupos de Lie Exponenciais Especiais. Para esses grupos, uma distância EE válida é construída usando a norma de Frobenius do logaritmo da matriz:
$$\bar{D}(V, W) = \| \log(V^{-1}W) \|_F$$
Esta formulação permite um algoritmo explícito e eficiente para calcular a distância e suas derivadas, evitando o custo computacional de cálculos gerais de geodésicas. A entrada de controle $\xi$ corresponde diretamente à torção do robô (velocidades linear e angular), garantindo que a dimensão da entrada corresponda aos graus de liberdade do sistema.

Principais Contribuições

1. Generalização para Grupos de Lie: O artigo estende a estratégia de campo vetorial do espaço euclidiano para grupos de Lie matriciais conexos, resultando em uma entrada de controle não redundante que respeita a geometria intrínseca do espaço de configuração.
2. Provas Formais e Propriedades de Distância: Os autores fornecem provas formais para convergência e travessia, derivando propriedades específicas (invariância à esquerda, encadeabilidade, linearidade local) que uma função de distância deve satisfazer para garantir a estabilidade do campo vetorial.
3. Algoritmo Eficiente para $SE(3)$: Um algoritmo eficiente foi desenvolvido para implementar a estratégia em $SE(3)$, utilizando a propriedade exponencial especial para calcular distâncias e gradientes sem dimensões redundantes.
4. Validação no Mundo Real: A abordagem foi validada através de experimentos com um manipulador robótico Kinova Gen3 rastreando trajetórias complexas de postura.

Resultados Experimentais

Os autores conduziram experimentos utilizando um manipulador Kinova Gen3 de 7 graus de liberdade. O efetor final foi encarregado de rastrear uma curva complexa e discretizada em $SE(3)$ que evitava colisões consigo mesmo e limites das juntas.

• Desempenho: O sistema convergiu com sucesso para a curva desejada e a percorreu.
• Métricas: A distância euclidiana (distância EC) até a curva diminuiu ao longo do tempo, e o sistema manteve baixos erros de posição e orientação uma vez no caminho.
• Eficiência Computacional: O cálculo do campo vetorial teve uma média de 8,9 ms por iteração em uma CPU padrão. Os autores observam que 99,5% desse tempo foi gasto resolvendo o problema de otimização para encontrar o ponto mais próximo na curva, sugerindo potencial para maior aceleração via paralelização (por exemplo, GPUs).
• Observações: Desvios menores no erro foram observados quando o robô operava próximo a configurações singulares, exigindo ajustes frequentes de orientação, mas o sistema permaneceu estável.

Significado e Afirmações

O artigo afirma oferecer uma estrutura unificada que integra planejamento de trajetória, seguimento de trajetória e controle para sistemas robóticos operando em grupos de Lie. Seu significado principal reside em:

• Controle Intrínseco: Diferentemente de métodos que projetam controles a partir de espaços de dimensão superior, esta abordagem gera entradas de controle (torções) que são mínimas e diretamente aplicáveis a sistemas de engenharia.
• Flexibilidade Paramétrica: Ao adotar representações de curvas paramétricas em vez de interseções de conjuntos de nível, a estrutura acomoda curvas complexas de forma mais natural, o que é crucial para tarefas robóticas práticas.
• Robustez: As garantias teóricas de convergência "quase global" (com a capacidade de escapar de conjuntos problemáticos via pequenas perturbações) e o desacoplamento de tarefas espaciais e temporais fornecem benefícios práticos para navegação no mundo real em ambientes congestionados.

Os autores concluem que, embora a métrica de distância atual seja específica para grupos de Lie exponenciais especiais, a estrutura abre caminhos para trabalhos futuros sobre curvas variantes no tempo, sistemas subatuados e funções de distância mais gerais. Uma implementação de código aberto é fornecida para facilitar pesquisas e aplicações futuras.