Safe Human-to-Humanoid Motion Imitation Using Control Barrier Functions

Título: Imitação Segura de Movimento Humano para Humanoides Usando Funções de Barreira de Controle (CBF)

1. Problema Abordado

A imitação de movimentos de humanos para robôs humanoides é crucial para interação intuitiva, teleoperação e controle baseado em demonstração. No entanto, abordagens convencionais frequentemente dependem de dispositivos vestíveis ou sistemas de captura de movimento dedicados, que são caros e pouco práticos para uso diário. Soluções baseadas em visão (câmeras) oferecem uma alternativa acessível, mas introduzem um desafio crítico de segurança:

• Risco de Colisão: Durante a imitação em tempo real, o robô pode sofrer colisões consigo mesmo (self-collision) ou com o demonstrador humano, especialmente quando os membros superiores se movem próximos ao tronco ou em direção à pessoa.
• Desafio de Controle: Como manter uma imitação responsiva e fiel enquanto se garante a evasão de colisões de forma online e segura?

2. Metodologia Proposta

O artigo apresenta um framework baseado em visão que integra estimativa de pose, retargeting (redirecionamento) de movimento e uma camada de segurança baseada em Funções de Barreira de Controle (CBF) formulada como um Programa Quadrático (QP).

A. Estimativa de Pose e Retargeting:

• Entrada: Keypoints esqueléticos humanos capturados por uma única câmera.
• Filtragem: Os pontos brutos são processados por um filtro de nível de ponto combinando Média Móvel Exponencial (EMA) com rejeição de saltos para robustez.
• Estimativa de Ângulos: Em vez de resolver uma cinemática inversa completa, o sistema estima uma representação reduzida de 8 graus de liberdade (DoF) para o tronco e membros superiores (rotação e inclinação do tronco, ombros e cotovelos).
• Mapeamento: Uma função de retargeting afim mapeia a pose humana reduzida para o espaço de juntas do robô, aplicando limites de juntas e um offset calibrado para gerar um comando nominal ($q_{nom}$).

B. Camada de Segurança (CBF-QP):

• Modelo de Colisão: Tanto o robô quanto o humano são aproximados por um modelo de 7 cápsulas (tronco, braços superiores, antebraços e coxas). As cápsulas são definidas por dois pontos finais e um raio.
• Função de Barreira: Para cada par de cápsulas (robô-robô ou robô-humano), define-se uma função de segurança $h_{AB}$ baseada na distância mínima entre as cápsulas menos a soma dos rios e uma margem de barreira ($\phi$).
  • $h_{AB} > 0$: Separação segura.
  • $h_{AB} = 0$: Limite de segurança.
  • $h_{AB} < 0$: Colisão.
• Condição CBF: Aplica-se a condição de primeira ordem $\dot{h}_{AB} + \gamma h_{AB} \geq 0$ para garantir que a distância não diminua perigosamente.
• Otimização em Tempo Real (QP): O comando nominal de velocidade das juntas é filtrado por um QP que minimiza o desvio do comando nominal sujeito às restrições lineares impostas pelas CBFs ativas.
  • Se não houver risco de colisão, o robô segue a imitação nominal.
  • Se uma restrição de segurança se tornar ativa, o QP modifica suavemente a velocidade para evitar a colisão, mantendo o comportamento de imitação sempre que possível.

3. Contribuições Principais

1. Framework de Segurança Baseado em Visão: Estabelecimento de um sistema que gera movimento consciente de colisões online a partir de observações de câmera, sem necessidade de sensores vestíveis.
2. Formulação Unificada CBF-QP: Uso de uma camada de controle unificada baseada em cápsulas para lidar simultaneamente com colisões internas (self-collision) e colisões humano-robô.
3. Benchmarks Computacionais: Avaliação comparativa de diferentes primitivas geométricas de colisão (esferas, caixas delimitadoras e cápsulas) para justificar a escolha do modelo de cápsula, analisando trade-offs entre precisão e custo computacional.

4. Resultados e Avaliação

Os resultados foram validados em um simulador de alta fidelidade, focando em dois cenários críticos:

• Cenário 1 (Auto-colisão): Um movimento de "alcance cruzado" com os braços. O sistema demonstrou que, sem o CBF, o robô colidiria consigo mesmo. Com o CBF, a trajetória foi suavemente modificada para manter uma margem de segurança, preservando a intenção do movimento.
• Cenário 2 (Colisão Humano-Robô): Um movimento de "levantamento de braços lado a lado". O framework impediu que o robô colidisse com o demonstrador, ajustando a trajetória em tempo real.

Benchmarks Computacionais (Tabela I):

• Foram testados modelos de esferas, caixas e cápsulas em CPU e GPU.
• Desempenho: O modelo de cápsulas na GPU demonstrou o melhor desempenho global, com uma taxa de atualização de 33,084 Hz e um tempo de resolução (solve time) de apenas 0,030 s.
• Eficiência: Embora o tempo de compilação inicial na GPU seja maior para cápsulas, o tempo de execução e o número de restrições (72 para cápsulas vs. até 1988 para esferas com subsampling) tornam-no superior para controle em tempo real.

5. Significado e Conclusão

Este trabalho preenche uma lacuna importante na robótica interativa, demonstrando que é possível realizar imitação de movimento humano-robô segura e responsiva utilizando apenas uma câmera e filtragem geométrica online.

• Impacto: O framework oferece uma base prática para a implementação futura em hardware real, permitindo que robôs humanoides aprendam e imitem tarefas complexas de forma segura em ambientes compartilhados com humanos.
• Futuro: Os autores planejam implementar o sistema em robôs físicos, avaliar a fidelidade da imitação quantitativamente e expandir o conjunto de pares de colisão para cenários mais complexos.

Em resumo, o artigo propõe uma solução elegante e computacionalmente eficiente que equilibra a necessidade de imitação fiel com a segurança rigorosa, utilizando geometria de cápsulas e otimização convexa em tempo real.