Resumo Técnico: Colaboração Segura Humano-Robô Baseada em Visão com Garantias de Incerteza

Declaração do Problema

À medida que robôs autônomos operam cada vez mais em ambientes centrados no ser humano (indústria, saúde, residências), garantir a segurança exige percepção precisa de poses humanas, previsão de movimento confiável e garantias de segurança prováveis contra colisões. As abordagens atuais de Colaboração Segura Humano-Robô (HRC) enfrentam três limitações críticas:

1. Dependência de Sistemas Baseados em Marcadores: Métodos comprovadamente seguros frequentemente dependem de rastreamento baseado em marcadores, o que limita a flexibilidade de implantação.
2. Tratamento Inadequado de Incerteza: Métodos baseados em visão que utilizam câmeras RGB-D frequentemente assumem erros de estimativa máximos fixos ou fornecem estimativas de incerteza sem garantias formais. Além disso, eles frequentemente falham catastróficamente em entradas Fora de Distribuição (OOD), um risco não capturado pela incerteza aleatória padrão.
3. Modelos de Movimento Conservadores: Estruturas de segurança tradicionais utilizam modelos de movimento simples e não baseados em dados (por exemplo, assumindo uma velocidade máxima de 1,6 m/s em qualquer direção, conforme ISO 13855:2010) para definir conjuntos alcançáveis. Esses modelos são altamente conservadores, levando a uma operação ineficiente do robô. Por outro lado, preditores de movimento de última geração carecem de estimativas de incerteza heterocedásticas, propagação de incerteza ponta a ponta e garantias de previsão conformal.

Metodologia

Os autores propõem uma estrutura unificada para estimativa de pose humana baseada em visão e previsão de movimento que integra estimativa de incerteza com previsão conformal para fornecer garantias de segurança certificáveis. O pipeline consiste em quatro etapas principais:

1. Estimativa de Pose 3D Consciente de Incerteza

• Estimativa 2D: O sistema adapta o YOLO26 para outputar não apenas as posições médias das articulações em 2D, mas também a matriz de covariância para cada articulação em dois quadros de câmera calibrados. Essa covariância é derivada da escala da distribuição Gaussiana no modelo de regressão baseado em fluxo.
• Triangulação: As posições das articulações em 3D são computadas via triangulação linear padrão.
• Propagação de Covariância 3D: As covariâncias cruzadas são estimadas a partir de correlações residuais sobre um conjunto de calibração. As covariâncias finais em 3D são obtidas através de propagação de primeira ordem, aumentadas com um termo isotrópico pequeno para contabilizar erros sistemáticos de reconstrução (por exemplo, imperfeições de calibração).

2. Previsão de Movimento 3D Consciente de Incerteza

• Arquitetura: O modelo estende a arquitetura Transformer de Transformada Discreta de Cosseno (DCT). Ele processa entradas de pose e covariância ao longo do eixo temporal.
• Separação de Frequência: Componentes de baixa frequência (tendências globais suaves) e componentes de alta frequência (variações rápidas e de pequena escala) são processados através de caminhos dedicados de Perceptron Multicamada (MLP) após o módulo de atenção, antes de serem recombinados via DCT inversa.
• Integração de Incerteza: As entradas de incerteza são escaladas por um fator aprendível e adicionadas às características de pose.
• Previsão de Covariância: Para garantir estabilidade e validade, o modelo prevê matrizes de covariância usando fatoração de Cholesky.
• Estratégia de Treinamento: Emprega-se uma otimização multi-fase estável: (i) treinamento de um preditor base determinístico, (ii) aprendizado desacoplado da cabeça de incerteza com um backbone congelado, e (iii) ajuste fino ponta a ponta com um fator de ponderação ($\lambda$) reduzido gradualmente para equilibrar precisão e calibração. A função de perda combina a Negativa Log-Verossimilhança (NLL) Gaussiana Multivariada e uma perda de pose $L_1$.

3. Conjuntos de Previsão Conformal

Para converter estimativas de incerteza em limites de segurança certificáveis, a estrutura constrói conjuntos de previsão conformal:

• Medida de Não-Conformidade: Uma pontuação é definida com base na distância Euclidiana entre as posições previstas e as verdadeiras (ground-truth), normalizada pela raiz quadrada do autovalor máximo da covariância prevista.
• Construção do Conjunto: Usando um conjunto de calibração, um limiar é determinado de modo que a posição real da articulação caia dentro da esfera prevista com probabilidade $1-\epsilon$.
• Extensão Temporal: Para cobrir o tempo contínuo, o raio da esfera de previsão é estendido por $\Delta t \cdot v_{max}$ (onde $v_{max} = 1,6$ m/s) para os passos de tempo entre previsões discretas.
• Ocupações Alcançáveis: A ferramenta SARA é usada para expandir essas esferas no nível das articulações em ocupações alcançáveis de corpo inteiro para blindagem de segurança.

4. Detecção e Tratamento de OOD

Para abordar a falha de modelos em dados não vistos:

• Detecção: O método Sketching Lanczos Uncertainty (SLU) é aplicado tanto às redes de estimativa de pose 2D quanto de previsão de movimento para detectar entradas OOD. Modelos reduzidos (prevendo apenas posições de cabeça e mãos) são usados para eficiência.
• Degradação Graceful: Se uma entrada for sinalizada como OOD, o pipeline não para. Em vez disso, ele reutiliza a previsão de movimento válida anterior para preencher o buffer de pose. O sistema retoma apenas a aceitação de novas previsões baseadas em imagem após uma sequência de $N_{req}$ observações válidas consecutivas, prevenindo loops de feedback de dados inválidos.

Contribuições Principais

O artigo apresenta uma estrutura para HRC segura com:

1. Propagação de Incerteza Ponta a Ponta: Um pipeline que estima movimento humano 3D com incerteza aleatória heterocedástica propagada da estimativa 2D através da triangulação até a previsão de movimento.
2. Conjuntos de Previsão Conformal: A geração de conjuntos de previsão para poses humanas que oferecem garantias válidas e de alta confiança ($1-\epsilon$), diretamente integráveis a blindagens de segurança como o SARA.
3. Tratamento Contínuo de OOD: Um método para lidar com entradas Fora de Distribuição em um cenário de previsão contínua, reutilizando previsões válidas passadas, garantindo a continuidade do pipeline sem falhas catastróficas.

Resultados Experimentais

A estrutura foi avaliada no conjunto de dados Human3.6M e em um cenário real de HRC com um robô Franka Emika.

• Precisão de Previsão: No benchmark Human3.6M, o desempenho da etapa 1 (determinística) do modelo superou as bases de última geração (HisRep, ST-DGCN, etc.). No entanto, o modelo final (com previsão de incerteza) mostrou um leve aumento no Erro Médio de Posição por Articulação (MPJPE) em comparação com a etapa 1, uma troca para fornecer estimativas de incerteza.
• Eficiência do Conjunto Conformal: Comparado ao modelo de velocidade constante padrão ISO 13855:2010, os conjuntos de previsão conformal propostos alcançaram maior cobertura (98,25% vs. 97,93%) enquanto reduziam o volume do conjunto alcançável previsto por um fator de 11.
• Eficácia do Tratamento de OOD: Na avaliação do pipeline completo, o mecanismo proposto de tratamento de OOD reduziu a taxa de buffers de pose inválidos em 36,0% (aumentando previsões de movimento válidas) com apenas um aumento marginal no MPJPE (2,6%).
• Implantação no Mundo Real: Integrado à blindagem SARA, o sistema operou com sucesso em um robô Franka Emika. No modo de monitoramento de velocidade e separação, o robô parou consistentemente antes que o operador humano pudesse alcançá-lo, demonstrando a viabilidade prática das garantias de segurança certificáveis.

Significado e Alegações

Os autores afirmam que seu trabalho preenche a lacuna entre previsão de movimento baseada em dados de alta precisão e requisitos rigorosos de segurança. Ao combinar previsão conformal com detecção de OOD, a estrutura permite que robôs operem com garantias de segurança certificáveis em situações não vistas, sem depender das suposições excessivamente conservadoras dos modelos de movimento tradicionais. A redução no volume de previsão por um fator de 11 sugere que essa abordagem pode melhorar significativamente a eficiência e a fluidez do robô em tarefas colaborativas, mantendo a segurança. A estratégia de degradação graceful garante robustez em implantações no mundo real onde os dados dos sensores podem ocasionalmente cair fora da distribuição de treinamento.