Resumo Técnico: Seleção de Contato Simultânea e Planejamento para Manipulação Rica em Contatos com Otimização em Cascata

1. Declaração do Problema

A manipulação rica em contatos exige que robôs façam e rompam intencionalmente o contato com objetos para levá-los a estados desejados. Isso envolve planejar uma sequência de trajetórias de aproximação, locais de contato, forças de contato e transições entre modos de contato (contato, separação, deslizamento, aderência).

As abordagens existentes enfrentam limitações significativas:

• Métodos Hierárquicos e de Inteiros Mistos: Trabalhos iniciais separaram o planejamento de estado contínuo da busca por modos de contato discretos ou utilizaram programas de inteiros mistos. Estes frequentemente sofrem de baixa escalabilidade devido à explosão combinatória de trajetórias de contato, limitando estratégias de manipulação e robustez.
• Métodos Baseados em Aprendizado: Embora capazes de lidar com dinâmicas não suaves via aprendizado por reforço (RL) offline, eles frequentemente lutam com a generalização entre diversos tipos de objetos e novos cenários de tarefas.
• Controle Preditivo por Modelo Implícito de Contato (CIMPC): Métodos baseados em modelo recentes, como o CIMPC, permitem planejamento híbrido online. No entanto, eles tipicamente carecem de seleção ativa de contato. Eles dependem de funções de custo artesanais ou trajetórias de referência fornecidas, restringindo a manipulação a uma distribuição estreita de comportamentos. Isso os torna propensos a ótimos locais, especialmente quando a estimativa inicial do robô é pobre ou ao enfrentar objetos com geometrias complexas. Além disso, a complementaridade inerente à dinâmica de contato introduz não suavidade e gradientes esparsos, tornando difícil o projeto unificado de seleção de contato e planejamento.

O desafio central abordado é a falta de um framework unificado que possa raciocinar e gerar autonomamente sequências diversas de locais de contato e trajetórias de manipulação em tempo real, particularmente sob dinâmicas imprecisas e ruído perceptivo.

2. Metodologia: Framework SCSP

Os autores propõem a Seleção de Contato Simultânea e Planejamento (SCSP), um novo framework de otimização em cascata composto por dois módulos: Otimização de Seleção de Contato (CSO) e Otimização de Planejamento de Contato (CPO).

A. Otimização de Seleção de Contato (CSO)

A CSO é projetada para realizar uma busca global por locais de contato ótimos na superfície do objeto, abordando os problemas de esparsidade de gradientes e não suavidade inerentes ao planejamento híbrido.

1. Discretização via Amostragem e Troca: Para lidar com a não suavidade da geometria do objeto, a CSO amostra pontos de contato candidatos na superfície do objeto.
   • Decomposição Convexa Aproximada (ACD): A geometria do objeto é decomposta em polígonos convexos para mitigar interferências de detalhes locais e melhorar a alcançabilidade/estabilidade.
   • Amostragem do Ponto Mais Distante (FPS): Pontos são amostrados uniformemente na aproximação convexa.
   • Seleção de Região Válida: Um procedimento online filtra regiões inalcançáveis, ocluídas ou semanticamente inadequadas para formar um conjunto candidato válido.
2. Modelo de Contato Surrogate (SCM): Para resolver a complexidade computacional e as restrições de complementaridade da dinâmica de contato original, os autores introduzem um SCM.
   • Pressupostos: O modelo assume um conjunto de contato fixo sobre intervalos curtos e desacopla interações de múltiplos contatos em sistemas independentes de mola-amortecedor.
   • Formulação: Isso permite que a força de contato do ambiente seja expressa como uma função explícita, linear por partes, das forças de contato do robô.
   • Otimização: O problema é reformulado como um problema de Programação Quadrática de Inteiros Mistos (MIQP). O loop interno (otimização da força de contato) é um Programa Quadrático (QP) solúvel em escalas de tempo sub-milissegundo, enquanto o loop externo (seleção de local de contato) é resolvido eficientemente.
3. Objetivo: O objetivo da CSO prioriza alcançar um conjunto de poses estaticamente estáveis ($X_g$) antes de minimizar o erro de pose final, prevenindo a geração de priores de contato instáveis.

B. Otimização de Planejamento de Contato (CPO)

A CPO recebe os locais de contato ótimos previstos pela CSO como referências e gera trajetórias de aproximação e contato executáveis online.

1. Estratégia de Classificação: Para aumentar a robustez, a CPO não segue cegamente a saída da CSO. Ela avalia o ponto mais próximo ($p_{near}$) à configuração atual do robô contra o ponto ótimo previsto pela CSO ($\hat{p}^*_r$).
   • Uma razão de melhoria ($\rho$) é calculada para determinar se $p_{near}$ é uma referência subótima suficientemente boa.
   • Uma estratégia de janela deslizante controla a troca entre $\hat{p}^*_r$ e $p_{near}$ para evitar mudanças de contato frequentes e instáveis.
2. Planejamento Híbrido Guiado por Prior: A otimização da trajetória é decomposta em três etapas dentro de um objetivo unificado:
   • Fase de Elevação: Guia o efetuador final para longe do objeto e em direção a um ponto de passagem intermediário acima do local de contato alvo, usando potenciais repulsivos e atrativos.
   • Fase de Colocação: Impulsiona o efetuador final até o local de contato de referência ($p_{ref}$) para estabelecer o contato.
   • Comutação: A transição entre fases é controlada pela variável de gatilho de classificação $\gamma$.
3. Solucionadores: O framework suporta diferentes solucionadores, incluindo Controle no Espaço Operacional (OSC) para planejamento de contato pontual e MPC baseado em amostragem (por exemplo, MPPI) para planejamento de robôs redundantes de ordem completa.

3. Contribuições Principais

1. Framework de Otimização em Cascata: Um novo framework SCSP que integra seleção ativa de contato (CSO) com planejamento de contato (CPO), permitindo estratégias de manipulação diversas e robustez sob imprecisões de modelo.
2. Algoritmo Eficiente de Seleção de Contato: Um método que transforma a seleção de contato não suave em um problema discreto-contínuo usando amostragem de malha e um Modelo de Contato Surrogate, reduzindo o problema a um MIQP tratável para busca global rápida.
3. Planejamento de Contato Guiado por Prior: Uma formulação usando uma estratégia de classificação para avaliar priores de contato e um objetivo unificado para planejamento híbrido (aproximação, contato, comutação), aplicável a várias configurações de robô.
4. Validação Experimental: Simulações extensas e experimentos no mundo real demonstrando que o SCSP é o primeiro método baseado em modelo a alcançar manipulação não preênse 6D no mundo real de geometrias de objetos arbitrariamente complexas usando apenas percepção visual (sem marcadores ou captura de movimento).

4. Resultados Experimentais

O framework foi validado em tarefas de manipulação não preênse (rotação e viragem no chão) usando uma ponta de dedo e um robô Franka Emika Panda.

• Simulação:
  • Taxa de Sucesso: O SCSP alcançou taxas de sucesso significativamente mais altas (por exemplo, 97% para rotação com ponta de dedo, 95% para rotação com robô) em comparação com baselines como I-MPC, CF-MPC e métodos de Amostragem.
  • Robustez: Superou métodos baseados em aprendizado (DyWA) na maioria dos cenários, particularmente no manuseio de geometrias complexas e na evitação de mínimos locais.
  • Ablação: A remoção da estratégia de classificação (w/o RS) levou a uma queda significativa na taxa de sucesso, confirmando a necessidade de avaliar priores de contato.
• Mundo Real:
  • O SCSP manipulou com sucesso objetos irregulares (Pato, Coelho, Mão, Controle Xbox) em superfícies lisas e rugosas usando apenas uma câmera de visão única (FoundationPose) para estimativa de estado.
  • Mantive altas taxas de sucesso (até 100% para rotação) apesar de dinâmicas imprecisas (estimativas grosseiras de massa/atrito) e ruído perceptivo.
  • Métodos de baseline (DyWA, Amostragem) falharam frequentemente devido a deslizamento de contato, seleção de contato instável ou incapacidade de adaptar-se a erros de execução.
• Generalização: O framework foi estendido com sucesso para tarefas de múltiplos contatos (drible de futebol, empurrão inclinado) e tarefas de longo horizonte (abrir gavetas, portas de micro-ondas), demonstrando sua capacidade de realizar raciocínio físico online.

5. Significado e Alegações

O artigo alega que o SCSP supera as limitações teóricas dos métodos implícitos de contato existentes ao permitir seleção ativa de contato. Embora abordagens recentes de RL tenham mostrado sucesso, o SCSP visa tornar o planejamento de contato diverso e robusto mais interpretável.

Os autores enfatizam que a precisão do modelo de mundo (CSO) é menos crítica do que como ele interage com o planejador. A estratégia de classificação na CPO permite que o sistema utilize locais de contato subótimos, mas viáveis, mitigando a instabilidade causada por erros de modelo na CSO. Isso sugere que um framework unificado para seleção de contato e planejamento simultâneos é viável e eficaz para tarefas complexas de manipulação no mundo real, sem depender de percepção exata ou sequências de contato pré-definidas.

O trabalho posiciona o SCSP como um framework geral capaz de lidar com geometrias de objetos arbitrariamente complexas, diversas configurações de robô e várias tarefas ricas em contatos, fechando a lacuna entre a eficiência baseada em modelo e a adaptabilidade necessária para manipulação complexa.