💻 computer science

Safe Planning in Unknown Environments Using Conformalized Semantic Maps

Questo articolo presenta il primo pianificatore in grado di eseguire compiti di raggiungimento ed evitamento semantico in ambienti sconosciuti con garanzie probabilistiche di successo, quantificando l'incertezza percepita tramite predizione conformale senza richiedere conoscenze a priori sui modelli dei sensori o sulle distribuzioni del rumore.

Autori originali: David Smith Sundarsingh, Yifei Li, Tianji Tang, George J. Pappas, Nikolay Atanasov, Yiannis Kantaros

Pubblicato 2026-02-23

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: David Smith Sundarsingh, Yifei Li, Tianji Tang, George J. Pappas, Nikolay Atanasov, Yiannis Kantaros

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover guidare un'auto a guida autonoma in una città che non hai mai visto prima, di notte, e con gli occhiali da sole che ti impediscono di vedere bene. Inoltre, l'auto non è sicura al 100% di cosa siano gli oggetti che vede: potrebbe scambiare un cane per un sasso, o un bambino per un cartello stradale.

Il problema è: come fai a guidare in modo sicuro senza rischiare di investire qualcuno, anche se i tuoi "occhi" (i sensori) non sono perfetti?

Questo è esattamente il problema che risolve il paper che hai condiviso. Ecco una spiegazione semplice, usando metafore quotidiane.

1. Il Problema: La Mappa "Ingenua"

Fino a oggi, molti robot usano una strategia un po' "ingenua". Quando i sensori vedono un oggetto, dicono: "Ok, questo è un albero". Il robot crea una mappa mentale basata su questa certezza e pianifica il percorso.

Il rischio: Se il sensore sbaglia e quell'oggetto è in realtà un bambino (che richiede più spazio di sicurezza rispetto a un albero), il robot potrebbe avvicinarsi troppo. Poiché il robot credeva di avere la verità assoluta, non ha previsto un margine di errore. È come guidare credendo che il semaforo sia verde quando in realtà è rosso: se sbagli, l'incidente è certo.

2. La Soluzione: La "Bolla di Sicurezza" (Conformal Prediction)

Gli autori di questo paper hanno inventato un metodo per dire al robot: "Non fidarti ciecamente di quello che vedi. Invece di dire 'è un albero', dì 'potrebbe essere un albero, un bambino o un'auto, quindi trattalo come se fosse l'oggetto più pericoloso tra questi'".

Per fare questo, usano una tecnica statistica chiamata Conformal Prediction (Predizione Conformale). Ecco come funziona con un'analogia:

Immagina di dover indovinare il contenuto di una scatola chiusa.

Metodo vecchio: Guardi un buco nella scatola e dici: "Scommetto che c'è una mela". Se sbagli, sei nei guai.
Metodo nuovo (di questo paper): Prima di iniziare, guardi 50 scatole simili che hai già aperto (questo è il "set di calibrazione"). Noti che a volte la mela sembra una pera. Quindi, quando guardi la nuova scatola, non dici "è una mela". Dici: "La scatola contiene qualcosa che potrebbe essere una mela, una pera o un'arancia".
La regola d'oro: Per essere sicuro al 95% (o al livello che vuoi tu), il robot disegna una "bolla di sicurezza" intorno all'oggetto. Se l'oggetto potrebbe essere un bambino, la bolla di sicurezza sarà grande come quella necessaria per un bambino, anche se il sensore pensa che sia un albero.

3. Come il Robot Decide: "Sfruttamento" vs "Esplorazione"

Il robot ha due modalità di guida, come un detective:

Modalità "Sfruttamento" (Fidati della mappa): Se la "bolla di sicurezza" è piccola e il robot è abbastanza sicuro di dove sono gli ostacoli, procede verso la meta. Usa la mappa più prudente possibile (quella che assume il peggior caso) per pianificare il percorso.
Modalità "Esplorazione" (Vai a vedere meglio): Se la "bolla di sicurezza" è troppo grande (significa che il robot è molto confuso e non sa se c'è un muro o un buco), il robot smette di correre verso la meta. Invece, si ferma e gira intorno per raccogliere più informazioni, finché la confusione non diminuisce abbastanza da permettergli di ripartire in sicurezza.

4. Perché è Geniale?

La vera magia di questo lavoro è che non serve sapere come funzionano i sensori.

I metodi precedenti dovevano sapere: "Il mio sensore sbaglia il 5% delle volte e segue una curva a campana". Se il sensore cambia o si rompe, il vecchio metodo fallisce.
Questo nuovo metodo è come un giudice molto prudente: non importa se il testimone (il sensore) è nervoso o se la luce è scarsa. Il giudice guarda le prove passate, calcola un margine di sicurezza statistico e dice: "Per essere sicuro al 99%, dobbiamo trattare questa situazione come se fosse la peggiore possibile".

In Sintesi

Questo paper insegna ai robot a essere paranoici in modo intelligente. Invece di fidarsi ciecamente dei loro occhi, creano una "zona di sicurezza" basata sulla probabilità che qualcosa vada storto.

Risultato: Il robot potrebbe fare un percorso leggermente più lungo (perché si tiene più lontano dagli ostacoli "potenziali"), ma garantisce matematicamente che non sbatterà contro cose pericolose, anche se non sa esattamente cosa sono.

È come attraversare una strada buia: invece di correre sperando che non ci siano buche, cammini lentamente e tieni il bastone davanti a te, pronto a fermarti se tocchi anche solo un sasso che potrebbe essere una buca.

1. Problema

Il lavoro affronta il problema della pianificazione semantica in ambienti sconosciuti sotto incertezza percettiva.

Contesto: Un robot deve navigare in un ambiente contenente regioni o oggetti con etichette semantiche sconosciute (es. alberi, auto, pedoni).
Obiettivo: Raggiungere un obiettivo specifico mantenendo distanze di sicurezza dipendenti dalla classe (es. stare a 3m da un'auto, ma solo a 0.5m da un albero).
Sfida Principale: I sistemi di percezione esistenti (come la segmentazione semantica) sono imperfetti e le loro uscite sono spesso trattate come verità assolute dai pianificatori. Gli approcci attuali o ignorano l'incertezza (mancando garanzie di correttezza) o assumono modelli di sensori e caratteristiche del rumore noti (ipotesi spesso non valide nella realtà).
Obiettivo del Paper: Progettare un algoritmo di pianificazione che garantisca il completamento della missione con una probabilità definita dall'utente ( $1-\alpha$ ), senza richiedere alcuna conoscenza a priori dei modelli del sensore o delle distribuzioni del rumore.

2. Metodologia

L'approccio proposto si basa su tre componenti principali, illustrati nel framework di Fig. 1:

A. Mappatura Semantica

Il robot utilizza algoritmi di mappatura semantica esistenti (es. basati su Deep Learning) per costruire mappe online a partire da misurazioni geometriche e semantiche (es. immagini RGB-D). Ogni cella della mappa ha una distribuzione di probabilità (PMF) sulle classi semantiche. Tuttavia, queste probabilità non sono necessariamente calibrate o affidabili.

B. Conformalizzazione delle Mappe (Conformal Prediction - CP)

Per quantificare l'incertezza in modo modello-indipendente e distribuzione-indipendente, il metodo utilizza la Conformal Prediction (CP):

Calibrazione: Viene utilizzato un insieme di ambienti di calibrazione con etichette "ground truth" note per calcolare un punteggio di non conformità (NCS). Questo punteggio misura l'errore di mappatura nel caso peggiore su tutti i possibili percorsi.
Generazione di Set di Predizione: Per un nuovo ambiente di test, l'algoritmo genera, per ogni cella della mappa, un insieme di etichette candidate $C_j(m_t)$ . Questo insieme contiene tutte le classi semantiche la cui probabilità stimata supera una soglia determinata dal quantile calibrato $\hat{s}$ .
Garanzia Teorica: È garantito che l'etichetta vera (ground truth) di ogni cella sia contenuta nel suo insieme di predizione con una probabilità di almeno $1-\alpha$ .

C. Pianificazione con Esplorazione ed Sfruttamento

Il pianificatore opera in due modalità, utilizzando i set di predizione generati:

Fase di Sfruttamento (Exploitation): Il robot considera l'etichetta più conservativa all'interno di ogni set di predizione (es. se un set contiene sia "albero" che "pedone", si assume "pedone" perché richiede una distanza di sicurezza maggiore). Se esiste un percorso sicuro verso l'obiettivo basato su queste etichette conservative, il robot lo segue.
Fase di Esplorazione (Exploration): Se non esiste un percorso sicuro (a causa di un'incertezza troppo alta che rende i set di predizione troppo ampi), il robot entra in modalità esplorazione. Genera percorsi per raccogliere nuove misurazioni e ridurre la dimensione dei set di predizione (riducendo l'incertezza), finché non diventa possibile tornare alla fase di sfruttamento.

3. Contributi Chiave

Primo Pianificatore Semantico con Garanzie Probabilistiche: Introduce il primo pianificatore per ambienti sconosciuti che garantisce tassi di completamento della missione definiti dall'utente, rimanendo agnostico rispetto ai modelli di sensori e al rumore.
Applicazione Innovativa della Conformal Prediction: È la prima applicazione della CP per quantificare l'incertezza delle mappe semantiche (non solo dei rilevatori di oggetti singoli), permettendo una pianificazione semanticamente corretta.
Validazione Teorica ed Empirica: Dimostrazione teorica che il percorso generato soddisfa i vincoli di sicurezza con probabilità $1-\alpha$ , supportata da estese sperimentazioni che mostrano la superiorità rispetto ai metodi baselines.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti in simulazione (Gazebo con robot Husky) e in scenari reali (robot Jackal con camera RealSense).

Metriche: Sono stati valutati il tasso di successo della mappatura (quanto spesso i set contengono la verità), il tasso di successo della missione, la lunghezza del percorso e la proporzione di tempo dedicata all'esplorazione.
Confronto con Baselines:
- UA (Uncertainty-Agnostic): Tratta la mappa come verità assoluta. Ha fallito frequentemente a causa di errori di classificazione (es. confondere un pedone per un albero).
- UI (Uncertainty-Informed): Usa le probabilità del mappatore come vere probabilità (senza calibrazione CP). Ha prestazioni migliori dell'UA ma inferiori al metodo proposto, poiché le probabilità non calibrate non riflettono la vera incertezza.
- Metodo Proposto: Ha ottenuto tassi di successo della missione superiori al 95% (per un target del 95%), superando costantemente le baselines.
Trade-off: Aumentare il livello di sicurezza richiesto ( $1-\alpha$ ) porta a set di predizione più ampi, percorsi più lunghi e una maggiore percentuale di esplorazione, ma garantisce una maggiore affidabilità.
Robustezza: Il metodo ha mostrato resilienza anche in scenari fuori distribuzione (OOD), come variazioni nel numero di alberi o condizioni di illuminazione diverse, sebbene con un lieve calo delle prestazioni rispetto agli scenari di calibrazione.

5. Significato

Questo lavoro rappresenta un passo fondamentale verso l'autonomia robotica sicura in ambienti reali e non strutturati.

Superamento dei Limiti Attuali: Risolve il problema della mancanza di garanzie di sicurezza nei sistemi che combinano visione artificiale e pianificazione, eliminando la necessità di assumere modelli di rumore complessi e spesso inaccurati.
Affidabilità Statistica: Fornisce un framework matematico rigoroso per garantire che un robot non violi mai le regole di sicurezza semantiche (es. investire un pedone) con una probabilità controllabile, rendendo l'IA più sicura e prevedibile per applicazioni critiche.
Adattabilità: La natura "model-free" del metodo lo rende applicabile a una vasta gamma di sensori e algoritmi di percezione senza bisogno di ri-addestramento o calibrazione manuale dei parametri di rumore.