Impedance MPC for Physical Human-Robot Interaction: Predictive Disturbance Rejection with Joint-Limit Safety

Resumo Técnico: MPC de Impedância para Interação Física Humano-Robô

Definição do Problema
A interação física humano-robô (pHRI) exige que os robôs mantenham simultaneamente uma alta precisão de trajetória e garantam segurança complacente durante contatos não planejados. O controle de impedância clássico, embora eficaz para a segurança, sofre de uma limitação estrutural fundamental: sob uma força humana sustentada ($F_h$), ele exibe um erro de posição em regime permanente não nulo definido por $e_\infty = K_d^{-1}F_h$. Por exemplo, um empurrão de 15 N contra uma rigidez de 300 N/m resulta em uma deflexão de 50 mm. Embora o aumento da rigidez ($K_d$) reduza esse erro, isso viola as restrições de segurança ao aumentar as forças de contato. Inversamente, adicionar ação integral para eliminar o erro em regime permanente é severamente limitado pelos requisitos de estabilidade, o que restringe a velocidade de convergência. As abordagens de Controle Preditivo Baseado em Modelo (MPC) existentes para pHRI frequentemente mantêm a dinâmica completa da planta não linear, limitando as taxas de controle, ou falham em fornecer garantias formais de erro zero em regime permanente sob distúrbios persistentes.

Metodologia
Os autores propõem uma arquitetura de Impedance MPC de duas camadas projetada para resolver a tensão entre precisão de trajetória e segurança complacente.

• Camada 1: Inversão Não Linear Analítica
  A primeira camada emprega uma estratégia de controle feedforward baseada na decomposição do espaço operacional. Ela cancela analiticamente a gravidade, o efeito Coriolis e os termos de inércia do espaço de tarefa. Isso transforma a dinâmica residual da planta em um dublo integrador linear independente da configuração.

  • A dinâmica do erro é reduzida a $\ddot{e} = -\Lambda^{-1}(q) F_{mpc} + d(t)$, onde $d(t)$ representa distúrbios agregados (força humana, fricção, erros de modelo).
  • Crucialmente, esta linearização resulta em uma matriz de transição de estado constante ($A_d$) para o sistema em tempo discreto, independentemente da configuração do robô. Isso permite que a matriz de "resposta livre" seja pré-computada uma única vez, reduzindo significamente a carga computacional online.

• Camada 2: QP Convexo com Aumento de Distúrbio
  A segunda camada resolve um problema de otimização de horizonte recorrente a 100 Hz (com um loop interno de 1 kHz para atualizações feedforward).

  • Estimativa de Distúrbio: Um filtro de Kalman aumentado estima um estado de distúrbio persistente ($\hat{d}$) modelado como um passeio aleatório (random walk). Este estado é integrado ao modelo de predição do MPC, permitindo o rastreamento sem erro de regime permanente (offset-free tracking) para distúrbios constantes ou assintoticamente constantes.
  • Otimização: O controlador resolve um Problema Quadrático (QP) convexo de 30 variáveis sujeito a restrições de caixa na força de controle ($F_{mpc}$). A função de custo minimiza o erro de rastreamento ao longo de um horizonte enquanto respeita os limites articulares.
  • Mecanismos de Segurança: A segurança de limite de junta é aplicada via uma abordagem de barreira dupla: um potencial de barreira de inverso de nulidade (null-space inverse-barrier) e uma projeção de workspace de espaço de tarefa. Esses mecanismos evitam violações de limites de junta sem degradar o rastreamento da tarefa em regiões seguras.

Principais Contribuições

1. Arquitetura de Duas Camadas com $A_d$ Constante: Ao cancelar analiticamente as não linearidades, os autores reduzem a planta a um sistema linear variante no tempo com uma matriz de estado constante. Isso permite que um QP de 30 variáveis seja resolvido em menos de 1 ms, tornando a implementação em tempo real viável.
2. Conexão Analítica com a Impedância Clássica: O artigo prova (Teorema 1) que, no limite não restrito e livre de distúrbios, o MPC proposto é matematicamente equivalente a um controlador de impedância clássico no espaço de tarefa. A rigidez e o amortecimento realizados são determinados pelos ganhos LQR derivados dos pesos de custo. Isso posiciona o método como uma extensão da impedância clássica que adiciona tratamento de restrições e rejeição de offset, em vez de um substituto.
3. Garantia Formal de Erro Zero em Regime Permanente: Através do aumento de distúrbio por Kalman, o sistema alcança uma garantia baseada no Princípio do Modelo Interno de erro zero em regime permanente para distúrbios persistentes, estendendo a teoria de MPC offset-free anterior para manipuladores controlados por torque.
4. Segurança de Limite de Junta de Barreira Dupla: A integração de potenciais de nulidade e projeções de workspace impede empiricamente as violações de limite de junta em todo o workspace testado, incluindo testes de estresse de fronteira.

Resultados Experimentais
Experimentos foram conduzidos em um robô Franka FR3 de 7-DOF usando simulação MuJoCo. O método proposto (Impedance MPC com aumento de Kalman) foi comparado contra impedância clássica, controle de admitância e impedância PI.

• Erro em Regime Permanente: Sob uma força sustentada de 15 N, o método proposto alcançou um erro de regime permanente de <0,05 mm, comparado a 44,8 mm para a impedância clássica (uma redução de mais de 800 vezes).
• Desempenho Transiente: Em rastreamento de trajetória circular, o MPC sozinho (sem Kalman) reduziu o erro RMS da janela de contato em 19× em comparação com a impedância clássica. A adição do filtro de Kalman eliminou totalmente o erro de regime permanente.
• Robustez: O sistema demonstrou robustez graciosa ao ruído de medição (o erro de regime permanente permaneceu <1 mm mesmo com ruído de 5 mm) e ao desajuste de modelo inercial (o RMSE de rastreamento permaneceu invariante até 30% de erro de inércia quando o filtro de Kalman estava ativo).
• Segurança: Em testes de fronteira onde a impedância clássica violou limites de junta, o MPC manteve uma margem segura (margem mínima de junta de 0,084 vs. 0,048 para a impedância).

Significância e Alegações
O artigo afirma que a arquitetura proposta consegue unificar as demandas conflitantes da pHRI: rastreamento de trajetória de alta precisão e segurança complacente. A principal significância reside no insight estrutural de que o cancelamento feedforward analítico permite uma estrutura linear constante, o que, por sua vez, permite:

1. Pré-computação: A matriz de resposta livre é computada uma única vez, desacoplando a complexidade do QP da configuração do robô.
2. Garantias Formais: A estrutura linear permite provas rigorosas de equivalência de impedância e rastreamento sem offset.
3. Viabilidade em Tempo Real: A abordagem alcança altas taxas de controle (QP de 100 Hz, feedforward de 1 kHz) em hardware padrão, superando os gargalos computacionais das abordagens anteriores de MPC não linear.

Os autores concluem que este método fornece uma solução robusta e teoricamente fundamentada para pHRI que elimina o erro de regime permanente inerente ao controle de impedância clássico, mantendo as restrições de segurança, com trabalhos futuros planejados para validação em hardware físico e aumento de passividade via tanques de energia.