Resumen Técnico: SCREP – Generación de Trayectorias con Percepción Consciente basada en Regresión de Coordenadas de Escena y Aprendizaje Evidencial

Planteamiento del Problema

El vuelo autónomo en entornos interiores sin GPS requiere trayectorias que mantengan errores de localización visual estrictamente acotados. Los métodos tradicionales de localización visual basados en mapas, como el emparejamiento de características (FM) o la Estructura a partir del Movimiento (SfM), sufren de altos costos computacionales para la reconstrucción de mapas y una baja escalabilidad en entornos extensos. Si bien la Odometría Visual-Inercial (VIO) ofrece una alternativa, esta está limitada por la deriva acumulativa incluso con guía consciente de la percepción.

La Regresión de Coordenadas de Escena (SCR) presenta una alternativa basada en aprendizaje que predice directamente las coordenadas 3D de la escena para cada píxel a partir de una sola imagen, permitiendo una estimación de pose absoluta libre de deriva mediante un resolvedor de Perspectiva-n-Puntos (PnP). Sin embargo, los resultados de SCR suelen contener valores atípicos (outliers), operan a bajas frecuencias con alta latencia y no todos los píxeles predichos son fiables. Estas características complican el uso de SCR en la planificación y el control en tiempo real, particularmente cuando el planificador debe dirigir activamente la cámara para maximizar la precisión de la localización.

Metodología

Los autores proponen SCREP, un planificador de trayectoria consciente de la percepción que acopla un estimador de pose SCR basado en aprendizaje evidencial con un optimizador de trayectoria de horizonte recesivo. La arquitectura del sistema consta de dos componentes principales:

1. Estimación de Pose SCR Evidencial (E-SCRNet)

El sistema utiliza una red neuronal entrenada mediante regresión evidencial profunda para predecir las coordenadas de la escena y sus incertidumbres asociadas.

• Cuantificación de la Incertidumbre: A diferencia de las Redes Neuronales Bayesianas (BNN) estándar que requieren múltiples pasadas hacia adelante (por ejemplo, Monte-Carlo dropout), el aprendizaje evidencial proporciona estimaciones de forma cerrada tanto de la incertidumbre aleatoria (ruido de los datos) como de la epistémica (incertidumbre del modelo) en una sola pasada hacia adelante.
• Métrica de Entropía: La red genera un mapa de distribución Normal Inversa-Gamma (NIG) para cada píxel. Los autores definen la incertidumbre total como la entropía predictiva de esta distribución. Este mapa de entropía sirve como una métrica unificada para identificar coordenadas de escena fiables.
• Estimación de Estado: Un módulo PnP-RANSAC convierte las coordenadas de la escena en poses de la cámara. Para abordar los problemas de latencia y valores atípicos de la SCR, un suavizador de retardo fijo (fixed-lag smoother) fusiona estas estimaciones de SCR de baja tasa con datos de IMU de alta tasa, produciendo una estimación de pose de alta calidad y alta frecuencia.

2. Optimización de Trayectoria Consciente de la Percepción

El planificador opera de manera recesiva en el horizonte, optimizando secuencialmente las trayectorias de posición y guiñada (yaw) para seguir una ruta de referencia mientras se maximiza la precisión de la localización.

• Representación: Las trayectorias se parametrizan como B-splines de grado 3, uniformes y con restricciones (clamped).
• Objetivo de Optimización: La función de costo es una suma ponderada de términos que incluyen el seguimiento de puntos de paso (waypoints), suavidad y restricciones dinámicas. Crucialmente, el costo del Campo de Visión (FOV) es consciente de la percepción:
  • Recompensa mantener las coordenadas de la escena con baja entropía (alta certeza) dentro del frustum de la cámara.
  • Penaliza los píxeles de alta entropía mediante la reducción de su peso o su eliminación del cálculo del costo.
  • El grado de libertad de la guiñada se desacopla de la tangente de la trayectoria, lo que permite que la cámara se oriente específicamente hacia puntos de vista informativos sin comprometer la ruta del vehículo.

Contribuciones Clave

1. Planificador en Tiempo Real Consciente de la Percepción: Los autores presentan un planificador de trayectoria de horizonte recesivo que inyecta explícitamente la incertidumbre de E-SCRNet en el proceso de optimización, facilitando una localización de alta precisión en entornos sin GPS.
2. La Entropía como Métrica de Incertidumbre: El trabajo demuestra empíricamente que la entropía predictiva es una métrica de incertidumbre más informativa y bien distribuida en comparación con las medidas separadas de aleatoriedad y epistemia, correlacionándose efectivamente con el error de predicción.
3. Validación: El enfoque se valida mediante experimentos tanto en simulación como en Hardware-in-the-Loop (HIL), mostrando un rendimiento de localización superior respecto a las líneas base.

Resultados Experimentales

El sistema fue evaluado en el simulador FlightGoggles y mediante experimentos HIL utilizando un cuadricóptero.

• Desempeño en Simulación:
  • Comparado con las líneas base (Forward, Vanilla perception-aware, y basada en Información de Fisher), el método propuesto redujo el RMSE de traslación al menos un 4.9% y el RMSE de rotación al menos un 30.8% en promedio.
  • Específicamente, frente a la línea base más fuerte (Vanilla), el método logró una mejora estadísticamente significativa en el error de traslación media (intervalo de confianza del 95% [0.27, 1.84] cm).
  • El sistema demostró robustez a través de ocho trayectorias diferentes en dos entornos distintos (stata1 y stata2).
• Hardware-in-the-Loop (HIL):
  • En los experimentos HIL, la estimación de pose fusionada utilizando el planificador propuesto redujo el RMSE traslacional de 29.7 cm a 22.7 cm y el RMSE rotacional de 6.0° a 2.3° en comparación con una línea base de orientación frontal (Forward-facing).
• Eficiencia Computacional:
  • El tiempo de ejecución promedio para todo el pipeline (inferencia de SCR, suavizado y optimización) fue de aproximadamente 91.3 ms (62.2 ms para SCR, 0.8 ms para suavizado, 28.3 ms para optimización), lo cual es suficiente para la operación en tiempo real dado los periodos de ejecución de los módulos.

Significancia y Reivindicaciones

El artículo afirma ser el primer trabajo de percepción activa que utiliza la Regresión de Coordenadas de Escena (SCR). Al aprovechar el aprendizaje evidencial, el sistema supera los desafíos de latencia y valores atípicos típicamente asociados con la SCR, haciéndola viable para la robótica a bordo en tiempo real.

Los autores enfatizan que su enfoque permite una estimación de pose absoluta libre de deriva a lo largo de trayectorias largas utilizando solo una red neuronal compacta, evitando los problemas de memoria y escalabilidad de los mapas de emparejamiento de características. Aunque el trabajo actual se centra en la SCR, los autores señalan que la comparación con planificadores basados en VIO y SfM queda para trabajos futuros, al igual que las extensiones a la evitación de obstáculos y la robustez ante cambios de apariencia. La contribución principal es la demostración de que la generación de trayectorias consciente de la incertidumbre mejora significativamente la precisión de la localización cuando se utiliza la regresión de coordenadas de escena basada en aprendizaje.