Resumo Técnico: Navegação de MPPI com Sensibilidade de Direção Baseada em CBF-Critic para Robôs Móveis Omnidirecionais

Definição do Problema

A implantação de robôs humanoides de rodas com braços duplos autônomos e robôs de logística de carga pesada exige estabilidade dinâmica rigorosa e navegação livre de colisões, particularmente em ambientes estreitos. Embora plataformas de 4 rodas com direção independente (4WS) ofereçam manobrabilidade superior, suas pegadas retangulares assimétricas apresentam desafios significográficos quando gerenciadas por controladores convencionais.

Abordagens atuais dependem tipicamente de aproximações circulares para desvio de obstáculos. Essa simplificação falha em refletir o volume varrido dinâmico e rapidamente alterado de robôs assimétricos, levando a dois modos primários de falha:

1. Inflação Conservadora: O aumento do raio de segurança para proteger os cantos cria uma "zona de não entrada absoluta" que bloqueia passagens estreitas.
2. Penalidades de Pós-Avaliação: Funções de custo de restrição suave penalizam trajetórias apenas após o robô entrar em uma zona de perigo. Isso frequentemente resulta em um dilema matemático onde o controlador erroneamente prioriza a convergência ao objetivo em detrimento da segurança, aceitando colisões menores para evitar grandes penalidades de direção (heading). Isso leva a oscilações rotacionais severas, forças centrífugas e "colapso de controle" (picos de jerk angular), degradando a estabilidade da carga e causando desgaste do hardware.

Metodologia

Os autores propõem um framework de MPPI com Sensibilidade de Direção Baseada em CBF-Critic que integra Funções de Barreira de Controle (CBF) e um mecanismo de direção adaptativo ao controlador de Integral de Caminho de Predição de Modelo (MPPI).

1. Modelagem de Pegada Assimétrica (OBB)

Em vez de aproximações circulares, a pegada do robô é modelada como uma Caixa Delimitadora Orientada (OBB). Os pontos de obstáculos do mapa de custo local são transformados para o quadro local do robô para calcular a distância mais curta até a fronteira retangular. Isso garante que o "volume varrido dinâmico" seja representado com precisão durante a rotação.

2. CBF-Critic para Restrições de Segurança Rígidas (Hard Constraints)

O framework eleva o desvio de obstáculos de um custo suave para uma restrição rígida estrita usando um crítico de CBF de tempo discreto.

• Mecanismo: Uma Função de Barreira de Controle $h(x)$ é definida com base na distância aos obstáculos. A condição contínua de CBF é discretizada usando uma aproximação de Euler para frente ($h_{k+1} \geq \gamma_d h_k$).
• Avaliação de Custo: Se uma trajetória de projeção (rollout) violar o limite de segurança, ela recebe uma penalidade de colisão massiva ($C_{col}$), invalidando efetivamente a trajetória antes que ela seja selecionada. Se a trajetória for segura, mas estiver próxima à fronteira, uma penalidade suave se acumula com base na violação da margem.
• Resultado: Isso desacopla a segurança da otimização de outros objetivos, evitando o "conflito de custo" onde o controlador troca segurança por progresso.

3. Crítico de Direção Adaptativo Online

Para abordar o jerk angular desnecessário em passagens estreitas, um mecanismo de direção adaptativo alterna dinamicamente entre dois modos baseados em dados de LiDAR em tempo real:

• Modo Ângulo de Caminho ($S_t=0$): Em espaços abertos, o robô alinha sua direção em direção ao alvo de olhar à frente ($\theta_{ref}$).
• Modo de Bloqueio de Direção ($S_t=1$): Em passagens estreitas (detectadas quando a largura de passagem estimada $\hat{w}_t$ cai abaixo de um limite), o robô trava seu corpo paralelo às paredes da passagem ($\theta_{lock}$).
• Histerese e Adaptação: Uma transição baseada em histerese evita o chattering. Além disso, se o eixo da passagem mudar, a direção alvo $\theta_{lock}$ é atualizada dinamicamente para corresponder ao novo ambiente.

4. Função Objetivo Integrada

A função de custo final do MPPI ($J_{total}$) agrega o termo de segurança CBF, o termo de direção adaptativa e termos de navegação padrão (seguimento de caminho, convergência ao objetivo e limites cinemáticos). Ao tratar a segurança como uma restrição rígida, o otimizador dedica seu poder computacional exclusivamente à convergência do objetivo e ao alinhamento de direção sem comprometer a segurança.

Principais Contribuições

1. Crítico de Direção Adaptativo Online: Um mecanismo que estima larguras de passagem em tempo real usando LiDAR 2D embarcado e ativa seletivamente um modo de "bloqueio de direção" em passagens estreitas, suprimindo o jerk angular desnecessário e maximizando a eficiência computacional.
2. CBF com Sensibilidade à Pegada Assimétrica: A integração da avaliação de trajetória baseada em OBB no framework MPPI, garantindo a prevenção absoluta de colisões no nível de restrição rígida e controlando com segurança o volume varrido dinâmico.
3. Validação no Mundo Real: Diferente de estudos anteriores offline, o algoritmo foi validado online em uma plataforma física de Direção Swerve 4WS, demonstrando desempenho em corredores estreitos contínuos e cenários de estacionamento paralelo com região bloqueada.

Resultados Experimentais

O framework foi validado em simulação (Gazebo) e em hardware real (ASUS NUC 15 Pro, robô 4WS, pegada de 0,9m $\times$ 0,4m) a uma frequência de controle de 20 Hz.

Estudo de Caso 1: Navegação em Corredor Estreito

• Falhas da Linha de Base: Modelos circulares convencionais falharam devido ao bloqueio de passagens (inflação excessiva) ou capotamentos (sub-inflação). Modelos retangulares de restrição suave sofreram colisões e oscilação rotacional severa.
• Desempenho Proposto: O método proposto (M6) alcançou uma taxa de sucesso de 100% livre de colisões.
• Estabilidade: Comparado ao melhor modelo de linha de base de restrição suave, o método proposto reduziu significativamente a instabilidade dinâmica. No cenário de estacionamento paralelo (Estudo de Caso 2), ele reduziu o jerk angular máximo em aproximadamente 91,6% (de 184,97 rad/s³ para 15,51 rad/s³).

Estudo de Caso 2: Estacionamento Paralelo com Região Bloqueada

• Problema: Controladores de restrição suave lutaram para minimizar simultaneamente o desvio de obstáculos, o bloqueio de direção e a convergência ao objetivo, levando ao colapso de controle e movimento errático.
• Resultado: O framework proposto alcançou o acoplamento perfeito com zero colisões e trajetórias estáveis, demonstrando que o desacoplamento da segurança como uma restrição rígida resolve o dilema matemático de objetivos conflitantes.

Significância e Alegações

O artigo afirma que a arquitetura proposta representa uma mudança de paradigma de restrições suaves para restrições rígidas no planejamento de movimento baseado em amostragem. Ao separar estritamente a segurança (via CBF) dos objetivos de otimização, o sistema elimina os compromissos que levam à instabilidade de controle em ambientes estreitos e assimétricos.

Os autores afirmam que esta tecnologia serve como uma solução fundamental para:

• Robôs de logística de carga pesada: Garantindo o transporte seguro sem instabilidade da carga.
• Robôs humanoides de rodas com braços duplos: Fornecendo a estabilidade dinâmica necessária para manipulação precisa da parte superior do corpo enquanto navegam em espaços apertados.

O framework é apresentado como computacionalmente eficiente (otimização completada em 30 ms) e robusto em vários ambientes densos sem exigir ajuste de parâmetros específicos do mapa, tornando-o adequado para implantação imediata em campos industriais. O trabalho futuro é identificado como a extensão do framework para desvio de obstáculos dinâmicos e navegação cooperativa multi-robô.