Diffusion-SAFE: Diffusion-Native Human-to-Robot Driving Handover for Shared Autonomy

Il paper presenta Diffusion-SAFE, un framework a ciclo chiuso basato su modelli di diffusione che garantisce una transizione sicura e fluida dal controllo umano a quello automatico durante la guida condivisa, anticipando i rischi e regolando dinamicamente il trasferimento di autorità senza ricorrere a funzioni di punteggio manuali.

L'essenziale

Immagina di guidare un'auto da corsa su un circuito molto difficile. Tu sei il pilota (l'umano), ma hai un copilota robotico molto intelligente che ti guarda e ti aiuta.

Il problema è: come fai a passare il volante da te al robot (o viceversa) senza fare un incidente? Se il robot ti strappa il volante di mano troppo bruscamente, l'auto sbanda. Se invece il robot e tu provate a girare il volante in direzioni opposte allo stesso tempo, l'auto potrebbe finire dritta contro un ostacolo.

Questo paper, chiamato Diffusion-SAFE, presenta un nuovo modo per gestire questo passaggio di controllo, usando una tecnologia chiamata "Diffusione". Ecco come funziona, spiegato con delle metafore semplici:

1. I Due "Cervelli" del Sistema

Il sistema ha due modelli di intelligenza artificiale che lavorano insieme:

• L'Analista (Evaluator): È come un osservatore molto attento che guarda cosa stai facendo tu. Non ti giudica, ma cerca di capire: "Cosa sta per fare il pilota? Sta per sterzare a sinistra per evitare un ostacolo o sta per uscire di strada?". Analizza le tue intenzioni future.
• Il Copilota Esperto (Copilot): È un pilota robotico che conosce perfettamente la pista e sa esattamente come guidare in modo sicuro. Il suo compito è generare un percorso perfetto e sicuro.

2. Il Problema del "Mescolamento Pericoloso"

In passato, quando un sistema di guida assistita interveniva, spesso usava una tecnica chiamata "mescolamento" (blending). Immagina di prendere la tua sterzata e quella del robot e farne una media matematica.

• L'analogia: Se tu vuoi sterzare a sinistra per evitare un albero e il robot vuole sterzare a destra per evitare un altro albero, la "media" potrebbe farti andare dritto dritto contro l'albero. È come se due persone tirassero una coperta in direzioni opposte: invece di spostarla, la strappano.

3. La Soluzione Magica: La "Diffusione Parziale"

Diffusion-SAFE non fa la media delle azioni. Usa un processo chiamato Diffusione, che è come un processo di "pulizia" o "ricostruzione" di un'immagine.

Immagina di avere un disegno fatto da te (il tuo piano di guida) che è un po' "sporco" o pericoloso.

1. Il processo di "Rumore": Invece di cancellare il tuo disegno, il sistema aggiunge un po' di "nebbia" (rumore) al tuo piano originale.
2. La "Ricostruzione Guidata": Poi, il Copilota Esperto prende questo piano "nebbioso" e lo ripulisce, ma con una regola speciale: deve rimanere nella zona sicura.
3. La Manopola di Controllo ($\rho$): Qui sta la genialità. C'è una manopola immaginaria che decide quanto "nebbia" aggiungere.
   • Se metti poca nebbia (manopola bassa), il piano finale assomiglia molto al tuo: il robot ti lascia guidare quasi come vuoi tu.
   • Se metti tanta nebbia (manopola alta), il robot ripulisce il piano quasi completamente, prendendo il controllo totale.
   • Il risultato: Non c'è mai un "mescolamento" pericoloso. Il piano finale è sempre un percorso sicuro, ma che rispetta la tua intenzione originale il più possibile.

4. Come avviene il passaggio di controllo?

Quando l'Analista vede che stai per fare una cosa pericolosa (es. uscire di strada), attiva il sistema:

1. Il robot non ti strappa il volante.
2. Inizia a "ripulire" il tuo piano di guida passo dopo passo, rendendolo sempre più sicuro.
3. Man mano che il tempo passa, la "manopola" viene girata sempre di più verso il robot, fino a quando il robot guida completamente in modo sicuro.
4. Tutto questo avviene in modo fluido, come se il robot ti stesse aiutando a correggere la rotta delicatamente, invece di prenderti il volante.

5. I Risultati

Gli autori hanno testato questo sistema:

• In simulazione: Hanno guidato un'auto virtuale su piste piene di curve. Il sistema ha avuto successo nel 93% dei casi.
• Nel mondo reale: Hanno usato una vera auto da corsa su una pista reale. Il sistema ha funzionato nell'87% dei casi, passando il controllo in modo fluido e senza scossoni.

In sintesi

Diffusion-SAFE è come avere un copilota che non ti dice mai "fermati, io guido!", ma che invece prende il tuo piano di guida un po' "confuso" e lo trasforma magicamente in un piano sicuro, mantenendo il più possibile la tua idea di dove vuoi andare. Usa la matematica della "diffusione" (come la nebbia che si dirada) per garantire che il passaggio di controllo sia sempre sicuro, fluido e mai pericoloso.

Sommario tecnico

1. Il Problema

L'autonomia condivisa nel contesto della guida richiede un sistema in grado di anticipare il comportamento umano, segnalare i rischi prima che diventino inevitabili e trasferire il controllo in modo sicuro e fluido. Le sfide principali identificate sono:

• Inconsistenza e Multimodalità Umana: Il comportamento umano è intrinsecamente incoerente, multimodale e può cambiare bruscamente in condizioni fuori distribuzione (OOD), rendendo difficile la modellazione dell'intento e l'intervento tempestivo.
• Il Paradosso della Fluidità vs. Sicurezza: Molti sistemi di controllo condiviso cercano la fluidità tramite la mescolanza a livello di azioni (action-level blending), ovvero interpolando linearmente tra i comandi umani e robotici. Tuttavia, l'insieme delle azioni sicure nella guida è spesso non convesso. Di conseguenza, la media di due azioni individualmente sicure (es. sterzare a sinistra e a destra per evitare un ostacolo) può produrre un'azione insicura (es. andare dritti contro l'ostacolo).
• Limiti degli Approcci Attuali: Le strategie attuali si basano su indicatori di stato del conducente (es. sguardo) o soglie fisse, spesso senza capacità predittiva a lungo termine. I metodi di "switching" rigido causano discontinuità che spaventano il conducente, mentre le interpolazioni lineari falliscono in scenari non convessi.

2. Metodologia: Diffusion-SAFE

Il framework proposto, Diffusion-SAFE, è un sistema a ciclo chiuso basato su due modelli di diffusione (Diffusion Models) che operano nello spazio dei piani (plan space) piuttosto che a livello di singole azioni.

Componenti Principali

1. Evaluator (Predittore di Intento Multimodale):

   • Prende in input la storia delle osservazioni ($O_t$) e delle azioni umane passate ($A^H_t$).
   • Modella una distribuzione multimodale sui piani di intento umano a breve termine.
   • Genera $N$ campioni di traiettorie future per valutare il rischio probabilistico.
   • Utilizza un certificato di sicurezza basato su mappe (Signed Distance Field - SDF) per calcolare un punteggio di rischio. Se la probabilità che il piano umano entri in una zona non sicura supera una soglia $\eta$, viene attivato l'assistenza.

2. Copilot (Pianificatore Esperto Guidato dalla Sicurezza):

   • Prende in input solo le osservazioni ($O_t$) e genera piani esperti.
   • Guida della Sicurezza (Safety Guidance): Durante il processo di denoising inverso, il modello viene guidato dal gradiente di un costo di sicurezza ($J_{safe}$) derivato dal certificato SDF. Questo spinge ogni passo di denoising verso regioni ad alto valore di sicurezza (entro i limiti della strada), senza bisogno di riaddestramento.

3. Meccanismo di Handover Nativo alla Diffusione (Partial Diffusion):

   • Quando viene rilevato un rischio, il trasferimento di controllo non avviene tramite fusione di azioni, ma tramite diffusione parziale.
   • Il piano umano viene "inquinato" (forward-noised) per un numero di passi $k_\rho$.
   • Il processo inverso (denoising) del Copilot viene avviato da questo stato intermedio e portato fino a $k=0$.
   • Il rapporto di diffusione $\rho = k_\rho / K$ agisce come una manopola continua di controllo:
     • $\rho \approx 0$: Il piano rimane vicino all'intento umano.
     • $\rho = 1$: Il piano è completamente generato dal Copilot (controllo totale).
   • Questo approccio evita il problema della mescolanza non sicura perché il piano finale è sempre un campione valido dalla distribuzione sicura del Copilot, modificato solo nella misura necessaria.

3. Contributi Chiave

1. Framework a Ciclo Chiuso Unificato: Integrazione di rilevamento del rischio, generazione di piani sicuri e trasferimento fluido del controllo in un'unica pipeline basata sulla diffusione.
2. Meccanismo di Handover Nativo alla Diffusione: Un metodo di trasferimento del controllo basato sulla "diffusione parziale" che garantisce fluidità senza mescolare azioni a livello di comandi, superando i limiti degli insiemi di azioni sicure non convessi.
3. Validazione Sperimentale: Test sia in simulazione (CarRacing-v2) che su un veicolo reale basato su ROS, dimostrando tassi di successo elevati e transizioni fluide.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un simulatore 2D e su un'auto da corsa reale controllata da ROS e tracciata da un sistema di motion capture (OptiTrack).

• Tasso di Successo dell'Handover:
  • Simulazione: 93.0%
  • Reale: 87.0%
• Sicurezza: Il tasso di violazione della sicurezza (collisioni o uscita dalla strada) è stato mantenuto basso (<3% in simulazione con guida attiva), dimostrando l'efficacia della guida basata sul gradiente.
• Fluidità: Il metodo ha mostrato un "jerk" (variazione di accelerazione) significativamente inferiore rispetto allo switching rigido e una fedeltà all'intento umano superiore rispetto alla semplice interpolazione lineare.
• Confronto con Baseline:
  • Rispetto a metodi come LSTM-GMM e Behavior Transformers (BET), Diffusion-SAFE ha ottenuto prestazioni superiori nella previsione dell'intento umano (minADE più basso) e nella classificazione della sicurezza (F1 score più alto).
  • Rispetto alla "Semplice Fusione" (Simple Blending), il metodo proposto ha evitato completamente le situazioni in cui la media di azioni sicure porta a risultati insicuri.

5. Significato e Implicazioni

Il lavoro di Diffusion-SAFE rappresenta un passo avanti significativo nell'autonomia condivisa per la guida:

• Superamento del Limite della Convessità: Dimostra che operare nello spazio dei piani tramite diffusione permette di navigare in spazi di azioni sicure non convessi, un problema irrisolvibile con le tecniche di blending lineare tradizionali.
• Transizione Principale: Offre un meccanismo di trasferimento del controllo continuo e principiato (tramite il parametro $\rho$) che bilancia la fedeltà all'utente con la sicurezza, evitando le interruzioni brusche dello switching rigido.
• Adattabilità: L'uso della guida basata sul gradiente permette di adattare un singolo modello di pianificatore esperto a diversi certificati di sicurezza senza riaddestramento, rendendo il sistema potenzialmente scalabile a diversi ambienti.

In sintesi, Diffusion-SAFE propone una soluzione elegante che sfrutta le proprietà intrinseche dei modelli di diffusione per gestire la complessità dell'interazione uomo-robot, garantendo che l'intervento del sistema sia sia tempestivo che sicuro, preservando al contempo l'intento del conducente umano.