Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners

1. El Problema

La planificación de movimiento en la conducción autónoma enfrenta un dilema fundamental entre dos paradigmas existentes:

• Planificadores Basados en Reglas: Ofrecen comportamientos predecibles y explicables, pero a menudo fallan al adaptarse a la complejidad, incertidumbre y situaciones no estructuradas del tráfico real.
• Planificadores Basados en Aprendizaje (Machine Learning): Demuestran una gran adaptabilidad y capacidad para capturar la variabilidad del mundo real, pero sufren de falta de transparencia (caja negra), dificultad para verificar sus decisiones y violaciones ocasionales de seguridad.

Las aproximaciones híbridas actuales suelen ser ad hoc, no unificadas y carecen de un mecanismo de arbitraje estructurado que permita integrar módulos heterogéneos de manera segura y explicable.

2. Metodología: El Marco Mosaic

Los autores proponen Mosaic, un marco extensible basado en Gráficos de Arbitraje (Arbitration Graphs - AGs). La idea central es desacoplar la generación de trayectorias (donde cada planificador demuestra su fortaleza) de la verificación y puntuación (donde se toma la decisión global).

La arquitectura se compone de los siguientes elementos (ver Fig. 2 del artículo):

• Componentes de Comportamiento (Behaviors):

  • FlowDrive*: Un planificador basado en aprendizaje (aprendizaje por imitación con rectified flow-matching) que genera trayectorias diversas y realistas.
  • PDM-Closed: Un planificador basado en reglas (extensión del Modelo de Conductor Inteligente - IDM) que genera propuestas de trayectorias mediante búsqueda de grafos y optimización.
  • Emergency Stop: Un comportamiento de respaldo que calcula una trayectoria de frenado de emergencia.

• Arbitradores:

  • Composer (Arbitrador de Costos): Actúa como un filtro de seguridad y selector.
    • Verificación Unificada: Antes de seleccionar una trayectoria, el arbitrador verifica si es segura (evita colisiones, se mantiene en la zona transitable, respeta la dirección). Si una propuesta falla, se descarta inmediatamente. Esto centraliza la seguridad, permitiendo integrar planificadores experimentales sin comprometer el sistema.
    • Puntuación Unificada: Utiliza una función de costo inspirada en las métricas de nuPlan (pero calculada en línea sin datos de verdad fundamental). La puntuación total ($S_{total}$) es un producto de factores de seguridad (colisión, área transitable, dirección) y un promedio ponderado de progreso, tiempo hasta colisión (TTC) y comodidad. Si cualquier factor de seguridad es cero, la puntuación total es cero.
  • Mosaic (Arbitrador de Prioridad): Es el nodo raíz. Selecciona la trayectoria válida del Composer. Si ambos planificadores (FlowDrive* y PDM-Closed) fallan la verificación, el sistema recurre al comportamiento de "Emergency Stop" como última instancia.

• Ventaja Clave: La verificación y la selección de la mejor opción se realizan de manera transparente y trazable. El sistema sabe exactamente por qué se rechazó una trayectoria (ej. colisión inminente) y por qué se eligió otra (mejor puntuación de costo).

3. Contribuciones Clave

1. Marco Unificado y Explicable: Introducción de Mosaic, capaz de integrar cualquier algoritmo de planificación (basado en reglas, aprendido o híbrido) en una estructura de decisión estructurada mediante Gráficos de Arbitraje.
2. Desacoplamiento de Verificación y Generación: Se separa la generación de trayectorias de su validación. Esto permite reducir las colisiones por error en un 30% en comparación con el uso de un solo planificador, al rechazar propuestas inseguras antes de su ejecución.
3. Aprovechamiento de Fortalezas Complementarias: Mediante una función de puntuación unificada, el sistema selecciona dinámicamente la mejor propuesta según el escenario, combinando la adaptabilidad del aprendizaje con la estabilidad de las reglas.
4. Rendimiento sin Retrenamiento: El marco logra mejorar el rendimiento sin necesidad de reentrenar los planificadores subyacentes ni utilizar datos adicionales.

4. Resultados Experimentales

Las evaluaciones se realizaron en los benchmarks nuPlan (Val14) e interPlan.

• Benchmark nuPlan (Val14):

  • Mosaic alcanzó 95.48 CLS-NR (no reactivo) y 93.98 CLS-R (reactivo), estableciendo un nuevo estado del arte (SOTA) y superando a todos los métodos existentes (puros, híbridos y basados en reglas).
  • Redujo las colisiones con culpa a 14, frente a 18 de FlowDrive* y 17 de PDM-Closed por separado (ambos tenían 20 en sus implementaciones originales).
  • Redujo las trayectorias con puntuación cero en un 33%.

• Benchmark interPlan (Escenarios interactivos difíciles):

  • Mosaic obtuvo 54.30 CLS-R, superando a su mejor componente (FlowDrive*) en un 23.3% y a PDM-Closed en un 31.7%.

• Análisis de Componentes (Ablación):

  • La eliminación del módulo de verificación duplicó las colisiones (de 14 a 35), demostrando su importancia crítica.
  • El arbitrador de costos seleccionó FlowDrive* en el 18.7% de los pasos de tiempo, PDM-Closed en el 28.8%, y en el 52.5% restante ambos tuvieron puntuaciones similares (seleccionando el basado en aprendizaje por defecto).
  • El frenado de emergencia se activó solo en el 0.08% de los pasos de tiempo (cuando ambos planificadores fallaron simultáneamente), lo que demuestra la redundancia efectiva del sistema.

• Sobrecarga Computacional:

  • El marco completo solo aumentó el tiempo de simulación en un 13% respecto a ejecutar solo FlowDrive*. Dado que FlowDrive* corre en GPU y la lógica de arbitraje/PDM en CPU, la latencia real añadida es mínima.

5. Significado e Impacto

El trabajo de Mosaic es significativo porque resuelve la tensión entre seguridad/explicabilidad y adaptabilidad en la conducción autónoma.

• Seguridad: Al centralizar la verificación, se crea una capa de seguridad robusta que evita que un planificador "loco" o inseguro ejecute una maniobra peligrosa.
• Explicabilidad: Cada decisión (selección o rechazo) es trazable y basada en reglas claras dentro del gráfico de arbitraje, lo cual es crucial para la certificación y la confianza del usuario.
• Escalabilidad: El marco es agnóstico al planificador. No solo combina reglas y aprendizaje, sino que permite integrar futuros avances en cualquier paradigma sin reestructurar todo el sistema.
• Eficiencia: Demuestra que se puede lograr un rendimiento superior al estado del arte sin el costo computacional de reentrenar modelos complejos, simplemente mejorando la arquitectura de decisión.

En resumen, Mosaic demuestra que la combinación estructurada de enfoques heterogéneos mediante gráficos de arbitraje puede superar las limitaciones individuales de cada paradigma, ofreciendo un sistema de planificación de movimiento más seguro, robusto y transparente.