High-Level Multi-Robot Trajectory Planning And Spurious Behavior Detection

Titolo

Pianificazione di Traiettorie ad Alto Livello per Sistemi Multi-Robot e Rilevamento di Comportamenti Spuri

1. Il Problema

L'esecuzione affidabile di missioni complesse in sistemi multi-robot eterogenei richiede metodi robusti per rilevare comportamenti spuri (anomalie). Sebbene i pianificatori a basso livello (es. A*, RRT*) garantiscano l'assenza di collisioni nello spazio continuo, la coordinazione a livello di squadra basata su specifiche formali (come la Logica Temporale Lineare - LTL) può fallire in modi non immediatamente evidenti a livello del singolo agente.
Le anomalie possono manifestarsi come:

• Sequenze di task errate.
• Violazioni di vincoli spaziali (es. zone proibite).
• Incoerenze temporali o di sincronizzazione.
• Deviazioni dalla semantica della missione.

Il problema centrale è che queste deviazioni possono emergere anche se il movimento di ogni singolo robot appare corretto localmente, rendendo difficile la rilevazione senza un'analisi olistica delle traiettorie dell'intera squadra.

2. Metodologia

L'approccio proposto si articola in cinque fasi principali, integrando modelli formali, simulazione e apprendimento automatico:

A. Specifica Formale tramite Nets-within-Nets (NWN)

Il cuore del sistema è l'uso del paradigma Nets-within-Nets (NWN), una formalità di modellazione gerarchica basata sulle Reti di Petri (PN). Il modello è composto da tre livelli:

1. Specification Net: Una rete di Petri che rappresenta la specifica globale della missione (definita come formula LTL co-safe, es. visitare $y_1$, poi $y_2$, poi $y_3$).
2. Robot Nets: Reti di Petri individuali per ogni robot, che modellano il loro comportamento e l'ambiente discretizzato.
3. System Net: Una rete di alto livello che sincronizza l'evoluzione dei modelli robot con la specifica della missione tramite una Global Enabling Function (GEF).

Questo framework permette di generare traiettorie con "verità fondamentale" (ground truth) nota, introducendo sistematicamente comportamenti spuri (deviazioni LTL o anomalie di esecuzione).

B. Generazione del Dataset e Simulazione

• Simulatore Renew: Viene utilizzato per modellare la struttura NWN e generare tracce di sistema simboliche. Le traiettorie sono registrate come log testuali contenenti tuple di azioni (ID robot, durata, luogo di partenza/arrivo, etichette).
• Simulazione a Basso Livello (VMAS): Per colmare il divario semantico tra azioni simboliche e dinamica reale, viene utilizzato il simulatore VMAS (basato su dinamica a doppio integratore) per stimare i tempi di transizione realistici tra le regioni di interesse, utilizzando policy di pianificazione di percorso (RRT*) e campi potenziali per l'evitamento delle collisioni.

C. Codifica delle Traiettorie (Embedding)

Per alimentare il modello di Machine Learning, le traiettorie simboliche vengono convertite in vettori numerici fissi tramite un'architettura di Action-Token Encoding:

• ID Robot e Luoghi: Vengono mappati in matrici di embedding addestrabili.
• Durata: Codificata tramite un embedding angolare 2D (seno/coseno) dopo normalizzazione logaritmica per gestire la variabilità dei tempi.
• Etichette di Transizione: Codificate come vettori che indicano origine e destinazione.
• Posizione Temporale: Utilizzo di embedding posizionali sinusoidali (stile Transformer) per catturare l'ordine delle azioni.
  Il risultato è un token vettoriale concatenato che rappresenta ogni passo dell'azione robotica.

D. Architettura di Machine Learning

Il sistema di classificazione utilizza un Transformer Encoder:

1. Proiezione Lineare: I token di azione vengono proiettati in uno spazio latente di dimensione 256.
2. Self-Attention: Strati multipli di attenzione (4 teste) identificano e ponderano le relazioni complesse all'interno della sequenza di traiettoria.
3. Pooling e Classificazione: Un meccanismo di max pooling aggrega l'output sequenziale in un vettore fisso, che viene poi classificato da un MLP (Multi-Layer Perceptron) con attivazione sigmoide per determinare la probabilità di spuriousness (anomalia).

3. Contributi Chiave

1. Framework di Generazione Dati Strutturato: Creazione di un dataset diversificato che include sia comportamenti normali che molteplici tipi di anomalie (spaziali, temporali, di sequenza), generati tramite il paradigma NWN.
2. Pipeline di Rilevamento End-to-End: Proposta di un metodo basato su apprendimento profondo (Transformer) capace di analizzare l'intera traiettoria della squadra, superando i limiti dei metodi focalizzati solo su anomalie locali.
3. Codifica Ibrida Innovativa: Sviluppo di un sistema di embedding che combina rappresentazioni simboliche (LTL, reti di Petri) con dati continui (tempi di transizione), permettendo al modello di comprendere sia la logica della missione che l'efficienza esecutiva.
4. Validazione Sperimentale: Dimostrazione che l'approccio supera rappresentazioni più semplici (es. One-Hot encoding o pooling medio) nel rilevare anomalie sottili.

4. Risultati Sperimentali

Le valutazioni sono state condotte su diversi scenari di missione (violazione di zone proibite, sequenzialità, esclusione mutua, accesso condizionale, simultaneità, ricorrenza e anomalie a basso livello).

• Prestazioni Generali: Il modello ha raggiunto un'accuratezza complessiva del 91.3% nel rilevamento di inefficienze esecutive.
• Casi Specifici:
  • Violazioni di Zone Proibite: Accuratezza del 99.6% (rilevamento quasi perfetto di violazioni critiche).
  • Violazioni di Sequenzialità: F1-score di 0.906.
  • Violazioni di Simultaneità: F1-score di 0.829.
  • Accesso Condizionale: F1-score più basso (0.647), indicando la difficoltà nel distinguere fallimenti dipendenti dal contesto da comportamenti validi.
  • Anomalie a Basso Livello: F1-score di 0.923, dimostrando la capacità di rilevare deviazioni nei tempi di esecuzione.
• Ablation Study: L'analisi ha confermato che l'uso di embedding complessi (appresi) e l'architettura Transformer con multi-head attention sono cruciali. Sostituire questi componenti con metodi più semplici (es. One-Hot) ha causato un crollo delle prestazioni (F1 sceso a ~0.59).

5. Significato e Conclusioni

Questo lavoro rappresenta un passo avanti significativo verso la sicurezza e l'affidabilità dei sistemi multi-robot.

• Integrazione Ibrida: Dimostra come combinare la rigore della modellazione formale (NWN/LTL) con la flessibilità dell'apprendimento profondo permetta di rilevare anomalie che i metodi puramente simbolici o puramente statistici potrebbero perdere.
• Scalabilità: L'approccio è in grado di gestire la complessità delle interazioni tra agenti, identificando non solo errori grossolani ma anche incoerenze sottili nella coordinazione.
• Limitazioni e Futuro: Attualmente, il modello richiede un riaddestramento specifico per ogni tipo di anomalia e non localizza esattamente dove nella traiettoria avviene l'errore. I lavori futuri mirano a generalizzare il modello rispetto alle specifiche LTL e a introdurre capacità di localizzazione fine-granularità dell'anomalia.

In sintesi, il paper propone una soluzione robusta per garantire l'integrità della missione in scenari multi-robot, trasformando dati di traiettoria complessi in informazioni classificabili con alta precisione.