DIFF-IPPO: Diffusion-Based Informative Path Planning with Open-Vocabulary Belief Maps

Resumen Técnico: DIFF-IPPO

Planteamiento del Problema
La exploración autónoma y la búsqueda de objetos en entornos parcialmente observables requieren que los robots generen trayectorias que maximicen la ganancia de información o la probabilidad de detección de objetivos. Los métodos tradicionales de Planificación de Trayectorias Informativas (IPP, por sus siglas en inglés) suelen depender de representaciones de creencia gaussianas y optimizaciones computacionalmente costosas, lo que limita su aplicabilidad en entornos de tiempo real y multiagente. Además, dado que los escenarios de búsqueda de objetos frecuentemente producen mapas de creencia complejos y multimodales derivados de la percepción semántica o de vocabulario abierto, la generación de trayectorias globales condicionada directamente a tales mapas de creencia no gaussianos sigue siendo un área poco explorada. Aunque los planificadores basados en difusión ofrecen capacidades sólidas para modelar distribuciones complejas, su aplicación específica a la IPP ha sido limitada.

Metodología
El artículo propone DIFF-IPPO, un flujo de trabajo que integra un generador de mapas de creencia de vocabulario abierto con un modelo de difusión condicional para la generación de trayectorias globales. El sistema opera en dos etapas principales:

1. Generación de Mapas de Creencia de Vocabulario Abierto:

   • El sistema convierte imágenes satelitales RGB y consultas de texto en lenguaje natural en mapas de creencia espaciales utilizando un modelo CLIP preentrenado.
   • Proceso: Las imágenes de entrada se procesan mediante un método de ventana deslizante para generar recortes superpuestos. Un codificador de texto CLIP incrusta la consulta, y un codificador de imagen CLIP extrae características para cada recorte. La similitud semántica (similitud de coseno) se calcula entre las características de texto e imagen.
   • Agregación: Las puntuaciones de similitud se agregan sobre ventanas superpuestas para formar un mapa de creencia bruto, el cual es posteriormente normalizado, suavizado con un filtro gaussiano y umbralizado (por ejemplo, reteniendo el 20% superior de las respuestas) para aislar las regiones de alta relevancia.

2. Planificación de Trayectorias Basada en Difusión:

   • Arquitectura: Un modelo de difusión basado en una red UNet condicional genera trayectorias. La red está condicionada al mapa de creencia espacial mediante un codificador convolucional que produce tokens de creencia. Estos tokens se combinan con incrustaciones de paso de tiempo (timestep embeddings) y se inyectan en la UNet utilizando Modulación Lineal por Características (FiLM) y mecanismos de atención cruzada.
   • Entrenamiento: El modelo se entrena con un conjunto de datos sintético de más de 42,000 muestras (manchas irregulares y distribuciones gaussianas) emparejadas con trayectorias generadas por una reimplementación del algoritmo TIGRIS.
   • Función de Pérdida: El objetivo de entrenamiento combina tres términos:
     • Pérdida de Difusión ($L_{diff}$): Predice el ruido añadido durante el proceso de difusión.
     • Pérdida de Cobertura ($L_{cov}$): Penaliza las porciones no observadas del mapa de creencia. Modela la visibilidad del agente basándose en restricciones de rango y campo de visión, calculando la reducción de la masa de creencia tras la observación.
     • Pérdida de Suavidad ($L_{sm}$): Fomenta trayectorias dinámicamente factibles penalizando grandes entradas de control (velocidad, aceleración, jerk).
   • Inferencia: El sistema admite la generación de trayectorias por lotes (batches), produciendo múltiples trayectorias en paralelo condicionadas al mismo mapa de creencia. Durante la inferencia, el objetivo de cobertura actúa como una señal de guía para dirigir la generación hacia regiones de alta cobertura.

Contribuciones Clave

• Marco de Trabajo: Un marco de IPP basado en difusión diseñado específicamente para la generación de trayectorias sobre mapas de creencia no gaussianos.
• Flujo de Trabajo Integrado: Un sistema que combina la generación de mapas de creencia de vocabulario abierto (vía CLIP) con la generación de trayectorias basada en difusión.
• Guía en Tiempo de Inferencia: Un mecanismo que utiliza los objetivos de cobertura del mapa de creencia para influir en la generación de la trayectoria durante la inferencia.
• Evaluación: Evaluación exhaustiva en conjuntos de datos de mapas de creencia sintéticos y en un entorno simulado de búsqueda y rescate.

Resultados Experimentales
Los autores evaluaron DIFF-IPPO frente a los planificadores AID (basado en difusión) y TIGRIS a través de tres tipos de conjuntos de datos: manchas irregulares, gaussianas dispersas y una combinación de ambas.

• Rendimiento Sintético: DIFF-IPPO alcanzó puntuaciones de detección normalizadas entre el 81.49% y el 86.55% en diferentes escenarios. En el conjunto de datos de "Gaussianas Dispersas", logró una eficiencia de exploración de $12.24 \times 10^4$.
• Generación de Múltiples Trayectorias: En configuraciones de lotes (3 y 5 trayectorias), DIFF-IPPO demostró niveles de redundancia variables en comparación con AID. Por ejemplo, en la configuración de 3 trayectorias sobre manchas irregulares, DIFF-IPPO mostró una menor redundancia (0.4006) que AID (0.4139), aunque AID logró una mayor detección normalizada en esa configuración métrica específica.
• Búsqueda y Rescate Simulado: En un entorno simulado de 1 km × 1 km diseñado para localizar un "edificio en llamas" usando la consulta "edificio", un equipo de cinco drones utilizando la generación de trayectorias por lotes logró la primera detección en un promedio de 3.5 minutos. Las configuraciones de un solo dron y de tres drones promediaron 7.9 y 4.25 minutos, respectivamente.

Significancia y Reivindicaciones
El artículo posiciona a DIFF-IPPO como un paso hacia la generación de trayectorias por lotes condicionada por mapas de creencia. Los autores declaran explícitamente su modestia respecto al alcance actual:

• El sistema no constituye un marco completo de IPP multiagente. Carece de asignación de tareas explícita, comunicación entre agentes, coordinación descentralizada o modelado de evitación de colisiones (lo cual se señala como algo que podría añadirse mediante planificación local o restricciones de guía).
• Los experimentos de múltiples trayectorias se interpretan como generación por lotes condicionada a un mapa de creencia compartido, en lugar de demostraciones conjuntas multiagente aprendidas.
• La significancia radica en demostrar que los modelos de difusión pueden generar eficazmente trayectorias factibles y diversas sobre mapas de creencia complejos y no gaussianos derivados de la percepción de vocabulario abierto, logrando altas puntuaciones de detección y eficiencia en escenarios de búsqueda simulados.

Trabajo Futuro
Los autores identifican varias direcciones para la investigación futura, incluyendo la mejora del rendimiento en mapas de creencia dispersos y altamente irregulares, la investigación de la diversidad de trayectorias en configuraciones de lotes y la extensión del marco a una IPP multiagente completa con planificación consciente de la seguridad y coordinación entre agentes.