Does learning when to look pay for home service robots? A preregistered test of adaptive perception scheduling in closed-loop navigation

Resumen Técnico: ¿Vale la pena aprender cuándo mirar para los robots de servicio doméstico?

Planteamiento del problema
Los robots de servicio doméstico que operan con computadoras embebidas alimentadas por batería enfrentan un cuello de botella computacional significativo: la detección de objetos suele ser la tarea más costosa en el flujo de trabajo de percepción. Aunque las estrategias de percepción adaptativa (saltar fotogramas, recortar regiones o cambiar el tamaño de los modelos) son populares para reducir la carga computacional, rara vez se evalúan en un entorno de navegación de bucle cerrado. En el análisis de video estático, una detección fallida simplemente reduce la exhaustividad (recall); en un robot móvil, una detección fallida puede provocar el fallo de la tarea, el estancamiento o una colisión. La literatura existente carece de una evaluación rigurosa y preregistrada de si los ahorros computacionales de la percepción adaptativa sobreviven a las restricciones de la navegación de bucle cerrado, donde el movimiento del robot depende enteramente de su salida de percepción.

Metodología
Los autores realizaron un experimento preregistrado para probar un controlador de percepción adaptativa contra doce líneas base en una tarea de navegación de bucle cerrado.

• Entorno y configuración: El estudio utilizó el simulador Habitat con 25 escaneos de hogares fotorealistas (HM3D) excluidos de todos los datos de entrenamiento. Los obstáculos (objetos domésticos) se colocaron fuera de la malla de navegación, lo que significa que el planificador local solo podía evitarlos si el detector los identificaba con éxito. El robot utilizó una cámara RGB-D (resolución de 320×240) y un planificador de ventana dinámica en un periodo de control de 0.1s.
• El controlador evaluado: El método propuesto aprende cuándo ejecutar un detector, dónde mirar en la imagen y qué tamaño de modelo utilizar.
  • CUÁNDO: Un disparador aprendido utiliza ocho señales económicas (por ejemplo, diferencia de fotogramas, movimiento propio, tiempo para la colisión) para predecir si la creencia actual carece de un obstáculo relevante.
  • DÓNDE: Un evaluador de teselas diseñado a mano selecciona regiones específicas de la imagen basándose en la energía del movimiento y los corredores de frenado.
  • QUÉ: Una regla de niveles selecciona la resolución del detector basada en el tiempo para la colisión (Pesado, Medio o Ligero).
  • Mecanismos de seguridad: Un "escudo de seguridad" fuerza una detección si el robot viaja demasiado lejos sin mirar, y una "memoria de experiencia" intenta recordar resultados de escenas pasadas.
• Líneas base: El controlador se comparó contra 12 líneas base, incluyendo la ejecución del detector pesado o ligero en cada fotograma, el salto de fotogramas a tasa fija, la selección de fotogramas aleatorios y varios disparadores heurísticos (diferencia de píxeles, características de bordes, compuerta de movimiento).
• Preregistro y criterios: La tarea, las puertas de validez y los criterios de éxito se fijaron en un preregistro antes de realizar la comparación principal. Para ser considerado exitoso, el método adaptativo debía:
  1. Lograr una tasa de éxito dentro de 0.05 de la mejor línea base (Siempre-Pesado).
  2. Lograr una tasa de colisión dentro de 0.05 de la mejor línea base (Siempre-Ligero).
  3. Utilizar significativamente menos GFLOPs que las líneas base.

Resultados clave
El estudio encontró que el controlador adaptativo no cumplió con los criterios de éxito preregistrados.

• Rendimiento vs. Líneas base: El controlador adaptativo completo ("ours-full") tuvo éxito en el 55.0% de los episodios y colisionó en el 8.3%. En contraste, la línea base "siempre-ligera" (ejecutar el detector más barato en cada fotograma) tuvo éxito en el 76.7% de los episodios con una tasa de colisión de solo 0.8%. La línea base "siempre-pesada" logró una tasa de éxito del 79.2%.
• Ahorros computacionales: El controlador adaptativo redujo la computación en un 85% respecto al detector pesado (11,609 GFLOPs frente a 76,805 GFLOPs) y fue significativamente más económico que 11 de las 12 líneas base.
• Modos de fallo: El método adaptativo falló principalmente por estancarse detrás de rastreos falsos o desactualizados (tareas no terminadas) en lugar de simplemente colisionar. El disparador aprendido no convergió eficazmente, y el salto de fotogramas de tasa fija simple a menudo superó al disparador aprendido con presupuestos de costo iguales.
• Transferencia de memoria: La memoria de experiencia no generalizó eficazmente a nuevos hogares; de hecho, las llamadas al detector aumentaron en visitas repetidas a la misma escena, lo que sugiere que las necesidades de cómputo son más difíciles de predecir a partir de la apariencia visual que de la posición del robot.

Significancia y afirmaciones
El artículo argumenta que para los robots de servicio doméstico, el "predeterminado simple y barato" de ejecutar el detector más adecuado y económico en cada fotograma es actualmente la línea base más fuerte.

• Implicaciones de hardware: En el procesador medido (Apple M1 Pro), solo el nivel de detector ligero completa el periodo de control de 0.1s. La latencia del nivel pesado (244ms) excede el periodo de control por 2.4x. Por lo tanto, un robot diseñado alrededor del nivel ligero requiere una computadora de a bordo más pequeña y no necesita un programador complejo para mantenerse dentro de su presupuesto.
• Guía de diseño: Los autores proporcionan cuatro guías prácticas:
  1. Comience con el detector más adecuado y barato ejecutándose en cada fotograma; los programadores adaptativos deben superar este predeterminado en pruebas de bucle cerrado antes de su despliegue.
  2. Mida la finalización de la tarea (tasa de éxito), no solo las colisiones, ya que la percepción deficiente a menudo conduce a tareas no terminadas.
  3. Evalúe los programadores a través de todo su rango de presupuesto, ya que el salto de fotogramas de tasa fija simple puede superar a los disparadores aprendidos a costos iguales.
  4. Las afirmaciones de transferencia de experiencia entre hogares deben compararse contra un control basado en la posición.

Conclusión
El estudio concluye que aprender cuándo mirar no compensa actualmente para los robots de servicio doméstico en términos de equilibrar la seguridad, el éxito de la tarea y la computación. El resultado negativo se presenta como un benchmark útil, estableciendo que cualquier método de percepción adaptativa futuro debe primero superar el rendimiento de un detector de bajo costo ejecutándose continuamente en un entorno de bucle cerrado.