Bi-Level Optimization for Contact and Motion Planning in Rope-Assisted Legged Robots

1. Declaração do Problema

O artigo aborda o desafio do planejamento de locomoção para robôs de pernas escalando superfícies verticais ou íngremes usando cordas. Embora as cordas permitam o acesso a áreas anteriormente inacessíveis, elas introduzem complexidade significativa no planejamento e controle devido a:

• Subatuamento: A tensão da corda é unilateral (as cordas podem puxar, mas não empurrar), e a gravidade limita o movimento lateral.
• Natureza Mista-Inteira: O problema exige selecionar simultaneamente locais de contato discretos (onde pousar) e otimizar entradas de controle contínuas (tensões das cordas, forças das pernas, tempo de salto).
• Restrições Ambientais: O robô deve navegar em terrenos complexos e irregulares (por exemplo, paredes de rocha com saliências, fendas e obstáculos), ao mesmo tempo que respeita os limites físicos do hardware (limites de atuação, cones de atrito).

Métodos existentes dependem de relaxações implícitas de contato (computacionalmente pesadas) ou parametrização explícita (complexidade exponencial com candidatos de contato). Este artigo propõe uma solução especificamente para robôs de salto assistidos por cordas que equilibra eficiência computacional com viabilidade dinâmica.

2. Metodologia

Os autores propõem uma Estrutura de Otimização de Dois Níveis que desacopla a tomada de decisão discreta (agendamento de contato) da otimização de trajetória contínua.

A. Plataforma Robótica (ALPINE)

A estrutura é validada no robô ALPINE, uma plataforma inovadora que apresenta:

• Duas Cordas: Acopladas a âncoras fixas, enroladas/desenroladas independentemente por motores de guincho.
• Perna Prismática: Inicia os saltos empurrando o robô para longe da parede.
• Pernas de Pouso: Molas torcionais passivas para dissipar energia cinética.
• Propulsor Traseiro: Corrige erros de rastreamento na direção normal ao plano da corda durante o voo.
• Modelo: Um modelo reduzido de 3 Graus de Liberdade (GDL) é usado para o planejamento, assumindo que as cordas permanecem tensas e a massa está concentrada no Centro de Massa (CoM), eliminando restrições holonômicas via coordenadas generalizadas ($\psi, l_1, l_2$).

B. Geração de Mapa de Custos

Um mapa de custos do terreno é gerado a partir de um mapa de altura (nuvem de pontos) para guiar a seleção de trechos:

• Filtros: Inclinação (derivadas de primeira ordem), Rugosidade (derivadas de segunda ordem) e Profundidade (penalizando regiões profundas dentro da vertical da âncora).
• Divisão em Trechos: O ambiente é dividido em trechos discretos. Cada trecho possui uma pontuação de qualidade baseada em uma combinação linear dos filtros.

C. O Esquema de Otimização de Dois Níveis

O algoritmo central consiste em um loop externo e um loop interno:

1. Loop Externo: Agendamento de Contato (Método de Entropia Cruzada - CEM)

• Objetivo: Determinar o número de saltos ($n$) e a sequência de trechos de pouso ($\pi$).
• Abordagem: Utiliza um Método de Entropia Cruzada sem gradiente e caixa-preta para lidar com variáveis inteiras discretas.
• Processo:
  • Amostra soluções candidatas (contagens de saltos e IDs de trechos) de uma distribuição de probabilidade categórica.
  • Avalia candidatos com base em uma função de custo $F(D)$.
  • Atualiza a distribuição de probabilidade com base em amostras "de elite" (melhor desempenho) para convergir em direção a sequências ótimas.
• Função de Custo: Combina o custo médio do terreno dos trechos selecionados e o resultado do loop interno (consumo de energia + penalidade de convergência).

2. Loop Interno: Otimização de Trajetória (Programação Não Linear)

• Objetivo: Calcular trajetórias de salto dinamicamente viáveis e otimizar as coordenadas exatas de pouso dentro dos trechos selecionados.
• Abordagem: Formulada como um Problema de Controle Ótimo Não Linear (OCP) transcrito em um Programa Não Linear (PNL).
• Variáveis:
  • Estados: Coordenadas generalizadas ($\psi, l_1, l_2$) e suas velocidades.
  • Controles: Forças das cordas ($f_{rl}, f_{rr}$) e impulso da perna ($f_{leg}$).
  • Variáveis de Decisão: Duração do salto ($t_f$) e posição de pouso dentro do trecho.
• Restrições:
  • Dinâmica: Dinâmica reduzida do robô.
  • Colisão: Garante que o robô não intersecte a malha da parede (usando uma função de distância assinada).
  • Atuação: Forças unilaterais das cordas, limites de empuxo da perna e restrições de cone de atrito.
  • Pouso: Impõe o pouso dentro do trecho selecionado e consistência com a malha do terreno.
• Objetivo: Minimizar o alisamento da força da corda, o trabalho do guincho (energia) e o custo do terreno no ponto de pouso.

3. Contribuições Principais

1. Estrutura de Dois Níveis: Uma arquitetura inovadora que combina CEM para planejamento de contato discreto e PNL baseada em gradiente para planejamento de movimento contínuo, especificamente adaptada para sistemas subatuados assistidos por cordas.
2. Otimização Simultânea: A capacidade de otimizar locais de pouso dentro de um trecho e trajetórias de salto simultaneamente, em vez de fixar contatos a priori.
3. Consciência do Terreno: Integração de um mapa de custos morfológico (inclinação, rugosidade, profundidade) para guiar o robô em direção a zonas de pouso seguras e planas, evitando obstáculos.
4. Validação no ALPINE: Demonstração bem-sucedida em uma plataforma robótica complexa e subatuada com dinâmicas e restrições realistas.

4. Resultados Experimentais

A estrutura foi testada em três cenários de simulação usando o robô ALPINE no Gazebo com um controlador MPC:

• Caso de Uso 1 (Obstáculo Hemisférico): O robô teve que navegar ao redor de um grande obstáculo hemisférico. O planejador determinou com sucesso que um único salto era inviável e gerou uma sequência de múltiplos saltos (3 saltos) para contornar o obstáculo, convergindo após 4 iterações do CEM.
• Caso de Uso 2 (Terreno com Múltiplas Saliências): O robô navegou um caminho descendente com obstáculos complexos. Embora a gravidade auxiliasse o movimento, o padrão de obstáculos exigiu pelo menos 3 saltos. A duração total da sequência foi de 9,45s.
• Caso de Uso 3 (Parede Rochosa com MPC): Uma simulação de alta fidelidade em uma parede de rocha texturizada. O planejador gerou uma trajetória de 20m exigindo múltiplos saltos. O sistema utilizou re-otimização após cada pouso (usando o estado real de pouso como nova condição inicial) para corrigir erros de rastreamento. O controlador MPC rastreou com sucesso as trajetórias otimizadas, rejeitando perturbações via propulsor e atuação da corda.

Desempenho:

• O solucionador CEM explorou efetivamente o espaço de busca, evitando mínimos locais através de um mecanismo de regularização (probabilidade mínima para todas as classes).
• A paralelização do loop externo do CEM reduziu significativamente o tempo de execução.
• O sistema lidou com sucesso com o compromisso entre consumo de energia e satisfação de restrições (por exemplo, usando durações de salto mais longas para acomodar a atuação limitada da corda).

5. Significado e Trabalho Futuro

• Significado: Este trabalho preenche a lacuna entre o planejamento de contato discreto e o controle de movimento contínuo para robôs assistidos por cordas. Demonstra que tarefas complexas de escalada subatuadas podem ser resolvidas autonomamente tratando a seleção de contato como um problema de busca probabilística guiado pela viabilidade dinâmica.
• Limitações: O modelo atual não leva em conta a penetração do cabo em obstáculos ou o esgotamento do suprimento de gás pneumático para o atuador da perna.
• Trabalho Futuro: Os autores planejam incorporar modelos de interação cabo-obstáculo, adicionar termos de aptidão para o esgotamento de recursos energéticos e validar a estrutura em hardware físico.

Em conclusão, o artigo apresenta um pipeline de planejamento robusto e computacionalmente eficiente que permite a robôs de pernas navegar autonomamente em terrenos verticais desafiadores, combinando inteligentemente a assistência por cordas com capacidades dinâmicas de salto.