⚡ electrical engineering

Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments

Este artigo apresenta uma estrutura de dois estágios para o planejamento de movimento cinodinâmico consciente de riscos em ambientes planetários incertos que combina um planejador AO-RRT baseado em amostragem com otimização convexa sequencial, utilizando o Valor em Risco Condicional (CVaR) para alcançar mais de 97% de redução de risco tanto em simulações quanto em experimentos de hardware.

Autores originais: Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

Publicado 2026-08-12

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô a caminhar através de uma floresta densa e com neblina. O robô tem um mapa, mas o mapa não é perfeito; as árvores podem ser ligeiramente mais altas ou mais baixas do que o desenhado, e o solo pode ser escorregadio ou cheio de pedras escondidas. Se o robô apenas seguir o mapa cegamente, ele pode tropeçar, cair ou colidir com uma árvore que não viu chegando. Este é o cerne de um grande desafio na robótica: como planejar um caminho quando você não tem 100% de certeza sobre como o mundo se parece ou como o seu robô reagirá a ele. Cientistas chamam isso de "planejamento de movimento sob incerteza". Não se trata apenas de encontrar a rota mais curta; trata-se de encontrar a rota mais segura, uma que leve em conta o fato de que as coisas podem dar errado. Se um robô estiver explorando Marte, onde uma colisão pode significar o fim de uma missão de milhões de dólares, adivinhar não é uma opção. Você precisa de uma maneira de calcular o risco, não apenas a distância.

Este artigo aborda exatamente esse problema para robôs que exploram superfícies planetárias, como as paisagens empoeiradas e rochosas de Marte ou da Lua. Os autores, trabalhando no Instituto de Tecnologia da Geórgia, desenvolveram um "cérebro" de dois passos para um robô que o ajuda a navegar com segurança, mesmo quando ele está incerto sobre o terreno ou seus próprios movimentos.

Primeiro, o robô utiliza um método chamado AO-RRT (Árvores Aleatórias de Exploração Rápida Assintoticamente Ótimas). Pense nisso como um robô que esboça rapidamente muitos caminhos possíveis através da floresta, como um trilheiro lançando dardos em um mapa para ver onde eles caem. Mas aqui está a reviravolta: em vez de apenas escolher o caminho mais curto, este robô calcula uma "pontuação de risco" para cada passo. Ele pergunta: "Se eu for por aqui, qual a probabilidade de bater em uma pedra se o chão estiver escorregadio?". Ele utiliza uma ferramenta matemática chamada Valor Condicional em Risco (CVaR) para focar nos cenários de pior caso. Se um caminho parece bom em média, mas tem uma pequena chance de uma colisão catastrófica, esta ferramenta o sinaliza como perigoso.

Uma vez que o robô tenha um esboço aproximado e seguro de um caminho, ele passa para a segunda etapa: Programação Convexa Sequencial (SCP). Imagine que o primeiro esboço foi desenhado com uma mão trêmula; é seguro, mas talvez um pouco brusco ou irregular. A SCP atua como uma mão firme e constante que refina o desenho. Ela pega esse caminho bruto e o polimenta, tornando os movimentos mais suaves e eficientes, mantendo ao mesmo tempo as garantias de segurança. Ela resolve um quebra-cabeça matemático complexo para garantir que o robô não apenas pareça que consegue fazer a curva, mas que realmente consiga fazê-la sem deslizar ou colidir.

Os pesquisadores testaram este sistema de duas formas: em uma simulação de computador e em um robô real chamado "Leo rover" em um laboratório que imitava um ambiente rochoso e incerto. Os resultados foram impressionantes. Quando deixaram o robô planejar sem se preocupar com o risco, ele escolheu um caminho que parecia eficiente, mas que incorreu em um risco de colisão conjunta de 0,94. Esta alta pontuação de risco indicava que o robô era quase certo de colidir com um obstáculo, levando a uma provável falha da missão. No entanto, quando utilizaram o método consciente do risco, o robô encontrou um caminho que reduziu esse risco de colisão para apenas 6 × 10⁻³ (uma chance minúscula de 0,006). Mais impressionante ainda, o planejamento consciente do risco reduziu o risco geral em mais de 97% em comparação com o caminho arriscado, mantendo o custo de energia (custo de controle) quase o mesmo.

Em seus testes de hardware no mundo real, o robô conseguiu rastrear esses caminhos seguros em um terreno granular e arenoso, mesmo quando suas rodas deslizavam. Apesar da incerteza do solo escorregadio, o robô manteve-se no curso com um erro médio de apenas 6 cm. O artigo mostra que, ao ensinar os robôs a temerem um pouco os cenários de pior caso, podemos guiá-los através do desconhecido sem que eles colidam, tornando a exploração espacial muito mais segura e com maior probabilidade de sucesso.

Resumo Técnico: Planejamento de Movimento Cinemodinâmico Consciente de Risco sob Incerteza para Navegação Segura em Ambientes Planetários

Declaração do Problema

A exploração espacial autônoma exige que agentes robóticos realizem o planejamento de movimento em ambientes onde as interações são frequentemente desconhecidas. Especificamente, o aprendizado da mecânica do terreno (ex: para robôs com rodas) introduz incertezas que podem levar a planos de movimento arriscados, operações perigosas ou falhas na missão. Além disso, as incertezas provenientes de sistemas baseados em percepção exacerbam o desafio da navegação segura. Planejadores tradicionais que não consideram a degradação da atuação, a dinâmica de terreno não modelada e o ruído sensorial correm o risco de falha crítica da missão. Embora trabalhos anteriores tenham abordado trajetórias geométricas conscientes de risco ou utilizado planejadores neutros ao risco com controladores com restrição de risco, este artigo aborda a necessidade de quantificar a incerteza no próprio modelo de dinâmica aprendida para gerar uma trajetória inicial consciente de risco.

Metodologia

A abordagem proposta realiza o planejamento de movimento cinodinâmico de custo-ótimo com consciência de risco através de um framework de duas etapas:

1. Quantificação de Incerteza e Modelagem

Modelo de Dinâmica: O sistema é modelado como um robô controlado por velocidade de primeira ordem com resíduo de dinâmica não modelada $d(x, u)$ . Este resíduo é aproximado usando uma rede neural contínua de Lipschitz.
Predição Conformal: Para quantificar a incerteza da saída da rede neural, a predição conformal é empregada. O erro entre a dinâmica residual prevista e a verdade fundamental (medida via captura de movimento) é computado para estabelecer um conjunto de confiança $M$ em um nível de confiança de 95% para erros de aceleração linear e angular.
Construção de Campo de Risco: A proximidade de obstáculos incertos é modelada como um campo de risco. Para cada obstáculo $i$ com uma escala de incerteza de fronteira $\sigma_i$ , um escore de risco $r_i(x)$ é calculado com base na distância assinada $d_i(x)$ . Estes são fundidos em um RiskMap limitado em $[0, 1]$ .
SDF Inflado por Risco: Uma penalidade de risco suave é aplicada inflando o Campo de Distância Assinada (SDF) dos obstáculos para fora por uma margem de Valor em Risco Condicional (CVaR), criando um "RiskSDF" que serve como a fronteira de restrição.

2. Framework de Planejamento de Duas Etapas

Etapa A: AO-RRT Consciente de Risco (Geração de Trajetória Inicial)

Um algoritmo de Árvore de Expansão Aleatória Assintoticamente Ótima (AO-RRT) gera uma trajetória dinamicamente viável.
Computação de Risco em Malha Fechada: Diferente de planejadores padrão, as arestas na árvore são avaliadas rastreando a referência de malha aberta em um loop fechado sobre um horizonte, simulando distúrbios do conjunto de incerteza $M$ .
Função de Custo: O custo da aresta incorpora o CVaR das violações de restrição de colisão suaves através do ensemble de cenários de distúrbio. Isso garante que a trajetória inicial considere tanto a dinâmica quanto a incerteza de posição do obstáculo em uma única etapa, fornecendo uma medida de risco consistente no tempo.

Etapa B: Refinamento por Programação Convexa Sequencial (SCP)

A trajetória do AO-RRT serve como uma solução inicial para a SCP.
Otimização: O problema não linear é convertido em localmente convexo. A função objetivo minimiza conjuntamente o esforço de controle e o CVaR (usando a formulação de epígrafo de Rockafellar-Uryasev) juntamente com penalidades para erros terminais, folgas de defeito e violações de buffer de SDF.
Restrições: O problema inclui restrições afins para dinâmica, limites de estado/controle e folgas de segurança em relação ao SDF real. Os gradientes do mapa de risco são computados exatamente via autodiff (JAX).
Solver: O subproblema convexo é resolvido iterativamente usando o solver CLARABEL até a convergência, garantindo que a dinâmica não linear seja seguida enquanto se otimiza a suavidade e a redução de risco.

Principais Contribuições

Quantificação de Incerteza: Quantificação da incerteza em modelos de dinâmica baseados em aprendizado usando predição conformal.
AO-RRT Consciente de Risco: Formulação de AO-RRT com computação de risco em malha fechada (CVaR) como a função de custo para gerar uma trajetória inicial que inerentemente evita regiões de alto risco.
Otimização Conjunta: Conversão do problema de planejamento de movimento não linear em uma otimização localmente convexa que minimiza conjuntamente o CVaR e o custo de controle dentro da homotopia fornecida pela solução do AO-RRT, garantindo viabilidade dinâmica.

Resultados Experimentais

A abordagem foi validada através de simulações e experimentos de hardware em um rover Leo equipado com uma câmera estéreo ZED 2i e Jetson Orin AGX, navegando em terreno granular.

Comparação de Simulação:
- Sem Custo Consciente de Risco: O AO-RRT minimizou o custo de controle, mas planejou uma trajetória diretamente entre regiões de alto risco, resultando em um risco de colisão conjunta de 0.94. O refinamento por SCP reduziu isso para 0.29, mas a trajetória permaneceu na homotopia de alto risco.
- Com Custo Consciente de Risco: O AO-RRT gerou uma trajetória inicial na vizinhança de obstáculos de baixa incerteza. O subsequente refinamento por SCP alcançou um risco de colisão conjunta de $6 \times 10^{-3}$ com um custo de controle de 18.4 unidades.
- Redução de Risco: A abordagem consciente de risco demonstrou uma redução de risco de mais de ~97% comparado à abordagem neutra ao risco através das trajetórias.
Desempenho de Hardware:
- Apesar do deslizamento de rodas induzido pelo terreno, um controlador baseado em contração com velocidades de feedforward ajustadas pelo deslizamento rastreou a trajetória planejada com um erro RMS de 6 cm.
- O sistema construiu com sucesso mapas de risco a partir de nuvens de pontos e executou trajetórias dinamicamente viáveis em um ambiente rico em obstáculos.

Significância e Alegações

Os autores alegam que este trabalho fornece uma solução de planejamento de movimento mais segura e consciente de risco para aplicações de robótica planetária e lunar, o que é crítico para o sucesso da missão. Ao integrar a quantificação de incerteza diretamente no loop de planejamento cinodinâmico, o método reduz significativamente a probabilidade de falha crítica da missão ou operações perigosas causadas por dinâmica não modelada e incertezas de percepção. O artigo enfatiza que, embora a SCP sozinha possa refinar trajetórias, ela não consegue escapar de homotopias de alto risco; portanto, a inicialização consciente de risco fornecida pelo AO-RRT é essencial para alcançar a redução de risco de 97% relatada. Especificamente, o artigo observa que a etapa de AO-RRT consciente de risco sozinha gera uma solução de trajetória inicial com **97% menos risco** comparado à abordagem neutra ao risco, enquanto o refinamento por SCP após um AO-RRT neutro ao risco apenas reduz o risco de colisão conjunta em ~69% (de 0.94 para 0.29), mas falha em escapar da região de alto risco.