Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

Robôs que caminham sobre quatro pernas tornaram-se notavelmente aptos a navegar no mundo desordenado e irregular em que vivemos. Eles conseguem subir em rochas, atravessar a lama e recuperar-se de escorregões com uma graça que outrora parecia impossível para máquinas. No entanto, um obstáculo significativo permanece quando esses robôs são solicitados a fazer mais do que apenas caminhar: empurrar, puxar ou carregar objetos enquanto se movem. Esta tarefa dupla, conhecida como loco-manipulação, exige que o robô interaja com seu ambiente de maneiras complexas. A dificuldade reside no fato de que o mundo físico é cheio de incógnitas. Um robô não sabe inerentemente o quão pesada é uma caixa, o quão áspero é o chão ou quanto atrito existe entre seus pés e o solo. Se um robô assume que uma caixa é leve quando ela é, na verdade, pesada, ou assume que o chão é escorregadio quando ele é aderente, seus movimentos falharão. Ele pode escorregar, derrubar o objeto ou tornar-se instável. Para um robô ter sucesso nessas condições incertas, ele não pode confiar em um conjunto de regras pré-programadas baseadas em conhecimento perfeito; ele deve ser capaz de aprender sobre as propriedades físicas de seus arredores enquanto está se movendo.

Pesquisadores há muito tentam resolver isso ensinando os robôs a adivinhar essas propriedades antes de iniciarem uma tarefa, ou usando modelos matemáticos complexos que exigem que o rob em calcule a física exata de cada interação. Esses métodos tradicionais frequentemente enfrentam dificuldades porque o mundo real é demasiado caótico para cálculos perfeitos, especialmente quando os pés de um robô estão constantemente fazendo e quebrando contato com o chão. Uma nova abordagem, desenvolvida por uma equipe de engenheiros, oferece uma solução diferente. Em vez de tentar calcular a resposta perfeita desde o início, o robô testa continuamente muitas possibilidades diferentes em sua própria mente, compara-as com o que está realmente sentindo e atualiza seu entendimento em tempo real. Este método permite que o robô se adapte instantaneamente quando o peso de um objeto muda ou quando ele pisa de um chão liso para um chão áspero.

O núcleo deste novo sistema é uma estrutura que os pesquisadores chamam de Adaptive-MHE. Para entender como funciona, imagine um robô empurrando uma caixa pesada através de um chão. Enquanto o robô se move, ele registra cada detalidade da interação: a velocidade com que se move, como suas articulações estão dobrando e como a caixa responde. O sistema então executa uma simulação paralela rápida em segundo plano. Ele gera milhares de diferentes cenários de "e se". Em um cenário, a caixa pode ser muito leve; em outro, pode ser extremamente pesada; em um terceiro, o chão pode estar coberto de gelo. O sistema simula como o robô se moveria sob cada uma dessas diferentes suposições. Ele então compara esses movimentos simulados contra os dados reais que o robô está coletando do mundo real. O cenário que mais se aproxima dos dados do mundo real é selecionado como a verdade mais provável. Este processo não é um cálculo de uma única vez; ele acontece continuamente em uma janela deslizante, refinando constantemente a estimativa do robô sobre o mundo conforme novos dados chegam.

Este processo de estimativa está fortemente acoplado ao sistema de controle do robô. Assim que o sistema tem uma ideia melhor do peso da caixa ou do atrito do chão, ele utiliza imediatamente essa informação para ajustar os movimentos do robô. O sistema de controle, que decide como as pernas do robô devem se mover, usa essas estimativas atualizadas para planejar seus próximos passos. Se o robô percebe que a caixa é mais pesada do que pensava, ele aplicará automaticamente mais força. Se detectar que o chão é mais escorregadio, ele ajustará sua postura para manter o equilíbrio. Todo o ciclo de sensação, estimativa e ação acontece tão rapidamente que o robô parece reagir instintivamente às mudanças em seu ambiente. Os pesquisadores testaram este sistema em um robô quadrúpede chamado Unitree Go1, que é um robô de quatro pernas comercialmente disponível. Eles o colocaram em uma série de tarefas desafiadoras projetadas para testar sua capacidade de lidar com a incerteza.

Em um conjunto de experimentos, o robô foi encarregado de empurrar uma caixa em direção a um objetivo específico. Os pesquisadores introduziram mudanças súbitas no ambiente para ver como o robô reagiria. Em um cenário, a massa da caixa foi aumentada em um quilograma enquanto o robô já a estava empurrando. Em outro, o robô teve que empurrar a caixa através de dois tipos diferentes de piso: um com um coeficiente de atrito baixo de 0,4 e outro com um coeficiente de atrito alto de 0,8. O robô teve que detectar essa mudança na textura do chão e ajustar sua força de empuxo de acordo, sem parar ou perder o controle. O sistema também testou a capacidade do robô de empurrar uma caixa usando apenas uma perna enquanto mantinha as outras três pernas estacionárias, uma tarefa que exige precisão no equilíbrio e na aplicação de força.

Os resultados mostraram que o sistema Adaptive-MHE superou significativamente os robôs que dependiam de suposições fixas e pré-definidas sobre o ambiente. Quando o robô recebeu uma crença fixa sobre o peso da caixa ou o atrito do chão, ele falhou em completar a tarefa na maioria das tentativas, frequentemente escorregando ou errando o alvo. Em contraste, o robô adaptativo teve sucesso em quase 87 por cento das tentativas, embora tenha começado sem conhecimento das verdadeiras propriedades físicas. Embora não tenha desempenhado de forma tão perfeita quanto um robô hipotético que soubesse o peso e o atrito exatos desde o início, ele chegou surpreendentemente perto. O robô adaptativo foi capaz de reduzir seu erro ao atingir o objetivo para uma fração da distância do robô não adaptativo. Ele também completou as tarefas mais rapidamente e com menos energia desperdiçada.

Os pesquisadores descobriram que o sistema funcionava melhor quando atualizava suas estimativas com frequência, mas não tão frequentemente a ponto de se tornar instável. Eles testaram várias configurações para a frequência com que o robô deveria reavaliar o ambiente e quantos cenários diferentes deveria simular de uma só vez. Eles descobriram que era necessário um equilíbrio: atualizar as estimativas a cada poucos segundos permitia que o robô acompanhasse as mudanças de forma eficaz sem ser sobrecarregado pelo ruído nos dados. O sistema foi capaz de identificar a massa do objeto e o atrito do terreno com alta precisidade, mesmo quando essas propriedades mudavam abruptamente durante a tarefa. Essa capacidade sugere que os robôs podem ser projetados para operar efetivamente em ambientes onde as propriedades físicas são desconhecidas ou mudam constantemente, sem a necessidade de serem treinados para cada nova situação.

Este trabalho representa um passo significativo para tornar os robôs mais robustos e versáteis. Ao combinar um método para estimar parâmetros físicos com um controlador que pode agir sobre essas estimativas em tempo real, os pesquisadores criaram um sistema que pode lidar com a imprevisibilidade do mundo real. A abordagem não requer sensores especiais para medir peso ou atrito diretamente; em vez disso, ela infere essas propriedades a partir dos próprios movimentos e interações do robô. Isso torna a tecnologia mais prática para implementação em diversos cenários, desde armazéns até zonas de desastre, onde as condições raramente são conhecidas com antecedência. O sucesso da estrutura Adaptive-MHE demonstra que os robôs podem aprender a se adaptar aos seus arredores físicos sobre a marcha, preenchendo a lacuna entre o ambiente controlado de uma simulação e a realidade caótica do mundo exterior.