Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation

Resumen Técnico: Comparación de Rendimiento de Algoritmos de Muestreo Clásicos y Neuronales para Navegación Robótica

Planteamiento del Problema
La planificación de movimiento basada en muestreo es fundamental para los sistemas autónomos, incluidos robots terrestres, UAVs y vehículos autónomos. Aunque el Árbol de Exploración Aleatoria Rápida (RRT) y su variante óptima, RRT*, son ampliamente utilizados por su eficiencia en espacios de alta dimensión, adolecen de un muestreo aleatorio ineficiente. Esto conduce a altos costos computacionales, convergencia lenta y trayectorias subóptimas y dentadas, particularmente en entornos congestionados con densidades variables de obstáculos. Aunque variantes como Informed RRT* utilizan heurísticas diseñadas a mano (por ejemplo, muestreo elipsoidal) para acelerar la convergencia, carecen de adaptabilidad a diversas estructuras de entorno. Los avances recientes en aprendizaje automático sugieren que las redes neuronales podrían sesgar el muestreo hacia regiones prometedoras, sin embargo, una evaluación unificada y controlada que compare estos enfoques guiados por redes neuronales frente a líneas base clásicas bajo condiciones consistentes sigue siendo limitada.

Metodología
Este estudio implementa y compara tres algoritmos dentro de un marco unificado en entornos con distribuciones de obstáculos dispersas, medias y densas:

1. RRT:* La línea base clásica que utiliza muestreo aleatorio uniforme y optimalidad asintótica mediante reencaminamiento de nodos.
2. Neural RRT:* Una mejora donde el paso de muestreo es guiado por un mapa de probabilidad $P(x, y)$ predicho por una red neuronal entrenada. El muestreo es una mezcla ponderada de la distribución aprendida y el muestreo uniforme ($x_{rand} \sim \alpha P(x, y) + (1-\alpha)U(X_{free})$).
3. Neural Informed RRT:* Un enfoque híbrido que combina la distribución de muestreo aprendida con las restricciones geométricas de Informed RRT*. Tras encontrar una trayectoria factible inicial con costo $c_{best}$, el muestreo se restringe a la intersección del mapa de probabilidad aprendido y una región elipsoidal definida por el inicio, el objetivo y $c_{best}$.

Arquitectura de la Red Neuronal y Entrenamiento
Ambos planificadores neuronales utilizan un modelo basado en U-Net con una estructura codificador-decodificador ResNet-50. La entrada es una imagen de tres canales de 224×224 que codifica el mapa de obstáculos, la posición de inicio y la posición del objetivo. La red genera un mapa de probabilidad denso que guía el proceso de muestreo. El modelo se entrena de manera supervisada utilizando un conjunto de datos generado por el algoritmo A* en mapas de cuadrícula aleatorios. El objetivo de entrenamiento minimiza la pérdida Dice entre el mapa de probabilidad predicho y la máscara de trayectoria de verdad fundamental (dilatada para robustez). Se emplean técnicas de aumento de datos, incluidas variaciones aleatorias de obstáculos y reubicación de inicio-objetivo, para garantizar la generalización.

Contribuciones Clave

• Comparación Unificada: El artículo proporciona una evaluación controlada y lado a lado de RRT* clásico, Neural RRT* y Neural Informed RRT* en mapas de complejidad variable, abordando la falta de benchmarks consistentes en la literatura existente.
• Evaluación Cuantitativa: El rendimiento se evalúa rigurosamente utilizando cuatro métricas: longitud de la trayectoria, tiempo de planificación, suavidad de la trayectoria y tasa de éxito.
• Análisis de Compensaciones: El estudio analiza explícitamente las compensaciones entre la sobrecarga computacional de la inferencia neuronal y las ganancias en la calidad de la trayectoria y la eficiencia de convergencia.

Resultados
Los experimentos realizados en 50 ejecuciones por tipo de mapa (disperso, medio, denso) arrojaron los siguientes hallazgos:

• Calidad de la Trayectoria: Neural Informed RRT* logró consistentemente las longitudes de trayectoria más cortas y las trayectorias más suaves. En entornos densos, demostró una reducción de hasta un 14% en la longitud de la trayectoria y una mejora del 55–75% en la suavidad en comparación con RRT* clásico. Neural RRT* también mejoró la calidad de la trayectoria sobre la línea base, pero en menor medida.
• Tiempo de Planificación: RRT* clásico generalmente exhibió los tiempos de planificación más rápidos, particularmente en mapas dispersos. Los planificadores guiados por redes neuronales incurrieron en un aumento marginal en el tiempo de cómputo debido a la inferencia de la red. Sin embargo, el estudio señala que este costo temporal se ve superado por las mejoras significativas en la optimalidad de la trayectoria y la suavidad en entornos complejos.
• Tasa de Éxito: Todos los algoritmos mantuvieron una tasa de éxito del 100% en mapas de densidad dispersa y media. En mapas densos, Neural Informed RRT* ocasionalmente descendió a una tasa de éxito del 90% (atribuido a la poda agresiva del espacio de búsqueda), pero aún superó a los demás en métricas de eficiencia.

Significado y Afirmaciones
El artículo afirma que integrar una guía basada en IA en planificadores basados en muestreo mejora significativamente la fiabilidad y la eficiencia de la trayectoria de la navegación robótica. Los resultados demuestran que Neural Informed RRT* ofrece el mejor equilibrio entre calidad de la trayectoria y tiempo de cómputo, convirtiéndolo en la opción más adecuada para la navegación en entornos complejos y congestionados. Si bien el enfoque introduce una ligera sobrecarga computacional, el estudio concluye que las mejoras resultantes en la optimalidad y suavidad de la trayectoria justifican este costo para aplicaciones en tiempo real. Los autores posicionan este trabajo como un paso hacia el avance de la planificación de trayectorias robóticas en tiempo real mediante la integración efectiva de heurísticas aprendidas con garantías de optimalidad clásicas. Se propone trabajo futuro para extender estos métodos a entornos dinámicos tridimensionales y aplicaciones robóticas del mundo real.