Environment Design for Reliable Shared Autonomy with Probabilistic Guarantees

Resumen Técnico: Diseño de Entorno para una Autonomía Compartida Fiable con Garantías Probabilísticas

Planteamiento del Problema
Los sistemas de autonomía compartida buscan asistir a los operadores humanos infiriendo la intención a partir de entradas ruidosas y combinando el control humano con la asistencia autónoma. Mientras que la investigación previa se ha centrado en mejorar los algoritmos de inferencia de intención (por ejemplo, mediante la planificación bajo incertidumbre o modelos de lenguaje y visión), estos enfoques suelen tratar el entorno físico como una restricción fija. Este artículo identifica una brecha crítica: la disposición física de los objetos en el espacio de trabajo determina fundamentalmente la dificultad del problema de inferencia. Específicamente, la ubicación de los objetos determina la separabilidad de los objetivos candidatos bajo entradas de usuario ruidosas. Los métodos actuales suelen optimizar la "legibilidad" a lo largo de una trayectoria nominal determinista, fallando al no modelar explícitamente el ruido de ejecución y su impacto en la distinguibilidad de los objetivos. En consecuencia, las configuraciones estándar pueden dar lugar a predicciones ambiguas y una asistencia retrasada, particularmente en escenarios de desorden o de alta ambigüedad.

Metodología
Los autores proponen formular el diseño del espacio de trabajo como un problema de optimización que contabiliza explícitamente la inferencia de intención bajo ruido, derivando una garantía de corrección probabilística.

1. Modelo de Inferencia Probabilística:
   El sistema utiliza un modelo de racionalidad de Boltzmann para mantener una creencia sobre los objetivos candidatos $g$. La probabilidad de un objetivo es proporcional a la eficiencia de la trayectoria observada $\xi$ con respecto a dicho objetivo. El sistema se compromete con un objetivo cuando la confianza posterior supera un umbral.

2. Garantía de Corrección Basada en Márgenes:
   Para asegurar la robustez frente al ruido del joystick, los autores definen un margen de log-posterior por pares $M_g(\xi)$ entre el objetivo real $g^*$ y cualquier alternativa $g$. Bajo un modelo de ruido gaussiano acotado para las entradas del usuario, el estado terminal del robot se modela como una distribución gaussiana. Al linealizar la diferencia de costo alrededor de la trayectoria nominal, el margen se aproxima como una variable aleatoria gaussiana.

   Los autores derivan una condición suficiente para la inferencia de objetivos correcta: el sistema garantiza la identificación del objetivo real con una probabilidad de al menos $1-\alpha$ si el "margen de holgura de la trayectoria" $s_g(\theta)$ es positivo para todos los objetivos competidores. Esta holgura se define como el margen nominal menos un término proporcional a la varianza del margen (sensibilidad al ruido) y la inversa de la función de distribución acumulada de la probabilidad de fallo $\alpha$.

3. Marco de Optimización:
   El objetivo es maximizar el peor caso de la holgura del margen entre todos los posibles objetivos reales y alternativas mediante la optimización de las posiciones y orientaciones de los objetos ($\theta$).

   • Algoritmo: Debido a la naturaleza no convexa y multimodal del espacio de disposición, los autores emplean MAP-Elites, un algoritmo de optimización de Calidad-Diversidad (QD).
   • Espacio de Comportamiento: Para asegurar soluciones diversas, el archivo se indexa mediante descriptores de comportamiento: la distancia media por pares entre objetos (dispersión espacial) y el desplazamiento del centroide respecto al centro del espacio de trabajo (asimetría global).
   • Restricciones: La optimización impone la viabilidad geométrica, incluyendo los límites del espacio de trabajo, el despeje entre objetos y la evitación de colisiones con la pose inicial del robot.

Contribuciones Clave

• Formulación: El artículo formula el diseño del espacio de trabajo como un problema de optimización que modela explícitamente la inferencia de intención bajo ruido, en lugar de tratar el entorno como estático.
• Garantía Teórica: Deriva una garantía de corrección probabilística que vincula la geometría del espacio de trabajo con la fiabilidad de la inferencia de la intención, asegurando que el objetivo real se identifique con una probabilidad $\ge 1-\alpha$ bajo ruido acotado.
• Validación Empírica: Los autores demuestran mediante simulación que los espacios de trabajo optimizados mejoran significativamente la fiabilidad de la inferencia y reducen la ambigüedad en comparación con las disposiciones aleatorias o de referencia.
• Integración en el Mundo Real: Se demuestra un sistema de autonomía compartida en el mundo real, integrando el marco de inferencia con la optimización del espacio de trabajo consciente de la tarea.

Resultos Experimentales
Los experimentos se realizaron en simulación a través de seis escenarios de mesa que variaban de 2 a 8 objetivos candidatos ($M=2$ a $M=8$).

• Precisión: Las disposiciones optimizadas lograron consistentemente una mayor precisión de argmax que las bases aleatorias. Mientras que las disposiciones aleatorias se degradaron significativamente a medida que aumentaba el número de objetivos (cayendo a un 25% de precisión en el escenario más desordenado con $M=8$), las disposiciones optimizadas mantuvieron un rendimiento casi perfecto (hasta un 100% en la mayoría de los casos, 54% en el escenario más difícil).
• Velocidad de Inferencia: En escenarios de dificultad moderada, las disposiciones optimizadas redujeron el tiempo de inferencia al permitir una desambiguación más temprana. En regímenes de alta ambigüedad, el beneficio principal cambió de la velocidad a la robustez, donde las disposiciones optimizadas preservaron una desambiguación fiable a pesar del aumento de la complejidad.
• Costo de Optimización: El proceso de optimización MAP-Elites tomó entre 340 y 920 segundos por escena, manteniendo una alta cobertura del archivo (93–100%), lo que indica que el enfoque escala favorablemente.
• Demostración en el Mundo Real: El sistema fue probado en tres escenarios: preparar té con aperitivos, clasificar bloques de LEGO y alimentación asistida. En estas tareas, las disposiciones optimizadas (que separaban objetos similares) permitieron al robot inferir la intención más temprano y transicionar a la asistencia autónoma de manera más efectiva que las disposiciones de referencia intuitivas y agrupadas.

Significación y Reivindicaciones
El artículo sostiene que el diseño del entorno sirve como un "eje complementario" para mejorar los sistemas de autonomía compartida. Al dar forma explícita a la geometría del problema de inferencia, es posible lograr un comportamiento robótico más fiable, predecible y alineado con el usuario sin modificar los algoritmos de inferencia subyacentes. El trabajo destaca que el diseño del espacio de trabajo físico no es meramente una restricción, sino una variable controlable que puede optimizarse para mitigar los efectos de la incertidumbre de la entrada humana. Los autores señalan que, si bien el presente trabajo establece las bases teóricas y de simulación, el trabajo futuro incluirá estudios con usuarios para evaluar el impacto de estos espacios de trabajo optimizados en la usabilidad, la confianza y la eficiencia de la tarea.