Embedding ISO 10218 Safety Compliance in Robots via Control Barrier Functions for Human-Robot Collaboration

Resumo Técnico: Incorporação da Conformidade de Segurança ISO 10218 em Robôs via Funções de Barreira de Controle para Colaboração Humano-Robô

Definição do Problema
A Colaboração Humano-Robô (HRC) exige a adesão estrita a normas de segurança, especificamente a ISO 10218, para prevenir interações prejudiciais. Um mecanismo primário para garantir a segurança em espaços de trabalho compartilhados é o Monitoramento de Velocidade e Separação (SSM). No entanto, os filtros SSM industriais padrão baseiam-se em suposições conservadoras, como a velocidade humana constante e a exigência de que o robô pare completamente antes que o humano atinja uma determinada distância. Essas suposições frequentemente levam a predições imprecisas de distâncias mínimas de separação, resultando em paradas operacionais desnecessárias e redução de produtividade. Além disso, as estratégias de controle existentes falham frequentemente em restringir o desvio espacial do robô durante manobras evasivas, o que pode causar colisões com infraestruturas estáticas ou confundir operadores humanos.

Metodologia
O artigo propõe um framework de Função de Barreira de Controle (CBF) que incorpora explicitamente dados de aceleração humana em tempo real para prever analiticamente a distância mínima de separação humano-robô durante uma trajetória de parada robótica de pior caso. Esta abordagem preditiva é integrada como uma restrição de desigualdade dentro de um framework de Programação Quadrática Sequencial (SQP). O estado do sistema inclui a posição cartesiana, velocidade e aceleração tanto do robô quanto do humano.

Dois métodos de controle específicos são propostos e avaliados:

1. Método I (Controlador PD Restrito por CBF): Um filtro de segurança minimamente invasivo que rastreia uma referência de aceleração cartesiana PD nominal enquanto satisfaz as restrições de segurança da CBF. Este método prioriza o rendimento (throughput), mas carece de restrições explícitas sobre o desvio espacial em relação ao caminho nominal.
2. Método II (Controlador SQP de Escalonamento de Tarefa): Um controlador mais avançado que introduz um parâmetro de escalonamento de tarefa para modular a progressão ao longo da trajetória nominal. Crucialmente, este método impõe uma "restrição de tubo espacial" para evitar que as manobras evasivas se desviem chaoticamente do caminho pretendido. Inclui também uma estratégia de recuperação para estados de inviabilidade, onde o controlador alterna para a frenagem máxima enquanto relaxa dinamicamente os limites espaciais para garantir um comportamento de falha segura (fail-safe).

A CBF é derivada dos limites cinemáticos da ISO 10218, calculando a distância mínima ($d_{min}$) através da análise das velocidades relativas e identificando instantes críticos de tempo (ex: fim do tempo de reação, parada total) onde a distância pode ser minimizada.

Principais Contribuições

• Derivação de CBF Preditiva: Os autores derivam uma CBF que considera a aceleração humana em tempo real, superando a reatividade excessiva dos filtros SSM padrão que assumem velocidade humana constante.
• Escalonamento de Tarefa Espacialmente Restrito: A proposta de um controlador SQP de escalonamento de tarefa que integra uma restrição de tubo espacial. Isso permite que o robô module a velocidade e se desvie com segurança de seu caminho sem manobras caóticas, abordando uma lacuna em aplicações anteriores de CBF que frequentemente ignoravam a fidelidade espacial.
• Validação Experimental: Os algoritmos são validados tanto em simulação quanto em cenários do mundo real usando um robô UR10e, uma câmera ZED 2 para esqueleto humano e um sensor de radar-câmera Inxpect X-300.

Resultados
Os métodos propostos foram comparados contra um baseline de módulo SSM industrial padrão e entre si ao longo de testes de longa duração (15.000 segundos):

• Eficiência vs. Segurança: O módulo SSM baseline garantiu a segurança, mas resultou em severa ineficiência, completando apenas 41 voltas com um fator de escala médio de 0,15 devido a paradas frequentes. O Método I alcançou o maior rendimento (994 voltas), mas sofreu com severos desvios espaciais (92,91% de precisão de waypoint) e pegadas evasivas excessivas.
• Equilíbrio Ótimo (Método II): O Método II alcançou um equilíbrio ideal, completando 789 voltas com um fator de escala médio de 0,81. Ele conseguiu atingir 92,91% dos waypoints designados.
• Precisão de Trajetória: O Método II demonstrou uma redução de 63% no erro médio de trajetória em comparação ao Método I (0,0142 m vs. 0,0384 m em simulação; 0,0113 m vs. 0,0232 m em testes de mundo real).
• Viabilidade em Tempo Real: O solver SQP manteve o desempenho em tempo real, falhando em encontrar uma solução dentro do período de controle de 2ms em apenas 0,0004% dos ciclos, com uma estratégia de fallback em vigor para tais instâncias.

Significância e Alegações
O artigo alega que o acoplamento de cinemática humana preditiva com um framework de CBF de escalonamento de tarefa garante matematicamente a segurança enquanto maximiza a fidelidade espacial e a produtividade da tarefa. Ao ir além de métricas de distância instantânea para prever a distância de parada de pior caso, o framework evita o conservadorismo severo dos filtros reativos tradicionais. Os autores afirmam que o Método II demonstra com sucesso que a colaboração sem contato de alto rendimento é alcançável sem sacrificar os requisitos rigorosos de segurança da ISO 10218 ou a precisão geométrica do caminho do robô.

Os autores observam limitações para trabalhos futuros, especificamente a dependência de uma suposição de aceleração humana constante (o que requer um buffer de segurança conservador) e o uso de pesos de função de custo SQP estáticos. Eles sugerem que a integração de modelos de movimento humano probabilísticos e estratégias de ponderação adaptativa poderia otimizar ainda mais o rendimento e a responsividade.