SanD-Planner: Sample-Efficient Diffusion Planner in B-Spline Space for Robust Local Navigation

Resumen Técnico: SanD-Planner

Planteamiento del Problema

La navegación local robusta en entornos altamente congestionados y dinámicos sigue siendo un desafío fundamental para la robótica móvil. Los canales modulares tradicionales (percepción-SLAM-planificación) suelen fallar en entornos dinámicos debido a la latencia, la acumulación de errores y la dependencia de mapeos precisos. Aunque los enfoques de aprendizaje de extremo a extremo (end-to-end), particularmente el Aprendizaje por Imitación (IL), ofrecen una alternativa prometedora, enfrentan cuellos de botella significativos:

1. Escasez y Eficiencia de Datos: Los métodos actuales de vanguardia (SoTA) dependen fuertemente de demostraciones de expertos a gran escala (por ejemplo, cientos de miles de trayectorias) y de extensos recursos computacionales, lo que dificulta su despliegue en dominios con escasez de datos, como la robótica marina o entornos especializados.
2. Limitaciones de Representación: Los planificadores de IL existentes suelen predecir puntos de paso (waypoints) discretos o splines de interpolación. Estas representaciones pueden sufrir de un comportamiento miópico (horizontes de planificación cortos) o carecer de robustez ante el ruido perceptual, donde los errores en observaciones distantes se propagan para desestabilizar las acciones inmediatas.
3. Verificación de Seguridad: La integración de restricciones de seguridad estrictas en el proceso de aprendizaje suele requerir una compleja ingeniería de recompensas o el aprendizaje de funciones de valor, lo que aumenta la carga de entrenamiento y reduce la eficiencia de muestreo.

El artículo plantea si es posible aprender una política de planificación local robusta de manera efectiva en un "desierto de datos" (limitadas demostraciones de expertos) aprovechando los principios geométricos estructurales y desacoplando la verificación de seguridad del aprendizaje de la política.

Metodología: SanD-Planner

SanD-Planner es un planificador local basado en difusión y eficiente en muestras que mapea observaciones de profundidad directamente a trayectorias suaves y paramétricas dentro de un espacio de B-splines cúbicos con sujeción (clamped). El sistema opera mediante un flujo de trabajo de dos etapas de "generación y selección":

1. Percepción y Codificación de Condición

El agente recibe un historial de cuatro imágenes de profundidad ($O_t$), un objetivo relativo en 3D ($g_t$) y un contexto de movimiento previo ($v^{prev}_t$) que representa la dirección de la trayectoria ejecutada.

• Codificación Visual: Los cuadros de profundidad son procesados mediante una red ResNet-18 ligera para extraer mapas de características espaciales, preservando detalles geométricos finos (por ejemplo, bordes de obstáculos).
• Fusión: Los tokens visuales, los tokens del objetivo y los tokens de velocidad se concatenan y agregan mediante un codificador Transformer de dos capas para formar un tensor de contexto multimodal ($C_t$).

2. Generación de Trayectorias (Política de Difusión)

En lugar de predecir puntos de paso discretos, la política predice un conjunto fijo de ocho puntos de control de B-spline ($Q_t$).

• Sesgo Inductivo: La representación de B-spline impone intrínsecamente la continuidad $C^2$ (suavidad) y utiliza la propiedad de soporte local. El ruido o las oclusiones en las observaciones de campo lejano solo afectan a los puntos de control distales, evitando la desestabilización global de la trayectoria.
• Modelo de Difusión: Un Modelo Probabilístico de Difusión de Eliminación de Ruido (DDPM) con parametrización de predicción de $v$ se entrena para modelar la distribución de los puntos de control de los expertos dado el contexto $C_t$.
• Consistencia Temporal: Para evitar comportamientos oscilatorios en entornos multimodales (por ejemplo, elegir la izquierda o la derecha de un obstáculo), la dirección del plan anterior se introduce explícitamente como un token de condicionamiento.

3. Selección de Candidatos Consciente de la Seguridad (Módulo Crítico)

Para desacoplar el modelado de distribuciones complejas de la verificación estricta de seguridad, el sistema emplea un crítico geométrico explícito en lugar de aprender una función de valor de seguridad.

• Generación: La política de difusión muestrea $K$ conjuntos de puntos de control candidatos, que se mapean a trayectorias continuas.
• Selección: Un crítico basado en ESDF (Campo de Distancia Signada Euclídea) evalúa los candidatos utilizando una función de costo $J$ que comprende:
  • Costo de Seguridad Descontado: Penaliza la proximidad a los obstáculos, con un mayor peso en los segmentos de horizonte cercano.
  • Eficiencia de la Trayectoria: Penaliza la longitud de la trayectoria y la desviación respecto al objetivo.
• Se selecciona la trayectoria con el costo mínimo para su ejecución mediante un horizonte de retroceso (receding-horizon).

Contribuciones Clave

1. Arquitectura SanD-Planner: Un novedoso planificador basado en difusión que opera en un espacio de puntos de control de B-spline con sujeción. Logra un rendimiento de vanguardia utilizando solo 500 trayectorias de expertos (aproximadamente el 0.25% de la escala de datos utilizada por bases como NavDP).
2. Estudio de Representación: Una investigación sistemática que demuestra que los puntos de control de B-spline superan a los puntos de paso discretos y a los splines de interpolación en el aprendizaje por imitación. El estudio destaca las ventajas de las B-splines en términos de eficiencia de parámetros, suavidad inherente (como sesgo inductivo) y robustez de la representación frente al ruido perceptual.
3. Validación Zero-Shot Sim-to-Real: Despliegue exitoso en un robot cuadrúpedo Unitree Go2 en diversos entornos del mundo real (pasajes estrechos, oficinas concurridas, escaleras) sin necesidad de ningún ajuste fino o adaptación de dominio en el mundo real.
4. Reproducibilidad: Los autores se comprometen a liberar el código abierto del conjunto de datos, los modelos preentrenados y el marco completo de entrenamiento y evaluación.

Resultados Experimentales

Los experimentos se realizaron en el Benchmark InternNav (ClutteredEnv e InternScenes) y en entornos del mundo real.

• Rendimiento vs. Baselines: A pesar de entrenar con solo 500 episodios, SanD-Planner alcanzó una Tasa de Éxito (SR) del 90.1% en ClutteredEnv y un 72.0% de SR en InternScenes. Esto supera o iguala a los modelos base de vanguardia (iPlanner, ViPlanner, NavDP) que utilizaron conjuntos de datos que van desde 30 mil imágenes hasta 200 mil trayectorias.
• Eficiencia de Muestreo: El modelo demostró una alta eficiencia en regímenes de escasez de datos, logrando un SR no trivial del 55.5% con solo 50 trayectorias (el 10% del conjunto de datos). El rendimiento escaló de forma monótona con el tamaño de los datos, aunque el modelo de 500 episodios fue suficiente para obtener resultados de vanguardia.
• Estudios de Ablación:
  • Representación: Las B-splines superaron significativamente a los puntos de paso y a los splines de interpolación, particularmente en escenarios de largo horizonte, debido a un mejor aislamiento de la incertidumbre de campo lejano.
  • Token de Velocidad: Eliminar el token de velocidad previa causó una caída en el rendimiento (por ejemplo, de 86.0% a 93.0% de SR en ClutteredEnv), confirmando su necesidad para mantener la consistencia topológica y evitar la oscilación de la dirección.
• Despliegue en el Mundo Real: El sistema navegó con éxito obstáculos estáticos y dinámicos, laberintos estrechos y escaleras en transferencia zero-shot, operando a ~10Hz.

Significado y Reivindicaciones

El artículo sostiene que la navegación local robusta no requiere necesariamente conjuntos de datos masivos si el proceso de aprendizaje es guiado por fuertes principios estructurales. Al cambiar el objetivo de aprendizaje de predecir trayectorias puras a predecir puntos de control compactos de B-spline, SanD-Planner:

1. Reduce la Complejidad del Aprendizaje: La suavidad y los límites de seguridad son inherentes a la representación, lo que simplifica la tarea de aprendizaje de la política.
2. Desacopla la Seguridad: Al utilizar un crítico geométrico explícito, el sistema evita la dificultad de aprender restricciones de seguridad mediante la ingeniería de recompensas o funciones de valor.
3. Permite la Eficiencia de Datos: Demuestra que una navegación de alto rendimiento puede lograrse con una fracción de los datos requeridos por las tendencias actuales de escalado, haciendo que la navegación avanzada sea más accesible para dominios con restricciones de datos.

Los autores reconocen limitaciones respecto a objetos pequeños o especulares debido a las restricciones de los sensores de profundidad y sugieren trabajos futuros que integren modelos de visión fundacional para una mejor estimación de la profundidad métrica. Sin embargo, la contribución principal sigue siendo la demostración de que es posible lograr una planificación robusta y eficiente en muestras mediante una representación estructurada y una verificación de seguridad desacoplada.