Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion

Sintesi Tecnica: Warm-Starting di un Controllo Predittivo del Modello Collision-Free con Diffusion Oggetto-Centrica

Definizione del Problema
La manipolazione robotica in ambienti ingombrati e non convessi richiede la generazione di movimenti che siano simultaneamente privi di collisioni e dinamicamente fattibili. Sebbene l'ottimizzazione classica delle traiettorie e il Controllo Predittivo del Modello (MPC) possano imporre vincoli fisici, essi sono altamente sensibili all'inizializzazione e tendono frequentemente a convergere verso minimi locali in scene complesse. Al contrario, gli approcci basati sull'apprendimento, in particolare i modelli di diffusione, eccellono nel catturare la distribuzione multimodale delle traiettorie fattibili, ma storicamente mancano di un meccanismo generale ed efficiente per condizionarsi sulla struttura della scena. Inoltre, i precedenti metodi basati sulla diffusione spesso generano traiettorie ad anello aperto (open-loop) che non riescono a imporre rigorosamente la fattibilità dinamica o i vincoli di sicurezza durante l'implementazione sull'hardware fisico.

Metodologia
Gli autori propongono un framework ibrido in due fasi che combina un modello di diffusione condizionale per la generazione di traiettorie con un risolutore MPC basato su vincoli per il raffinamento. L'architettura consiste in tre componenti integrati:

1. Rappresentazione della Scena Oggetto-Centrica: Per condizionare il modello di diffusione sull'ambiente, il documento introduce un encoder basato su Slot Attention. Questo modulo elabora immagini RGB a vista singola dello spazio di lavoro per estrarre un insieme compatto di "slot" latenti, ciascuno dei quali rappresenta un oggetto o un ostacolo distinto. Questa rappresentazione oggetto-centrica fornisce un segnale di condizionamento permutazione-invariante e a bassa dimensionalità che cattura la geometria essenziale delle collisioni senza l'alta dimensionalità di nuvole di punti o immagini grezze.
2. Warm-Start di Diffusione Condizionale: Un Diffusion Transformer (DiT) viene addestrato per denoisare una sequenza di traiettorie condizionata dallo stato iniziale del robot, dalla posizione target dell'end-effector e dalla rappresentazione latente degli slot della scena. Il modello apprende un prior su sequenze di movimento fattibili, generando un insieme diversificato di proposte di traiettoria che navigano attorno agli ostacoli.
3. Raffinamento MPC tramite Controllo Ottimo: La traiettoria campionata dal modello di diffusione funge da "warm-start" per un risolutore MPC a orizzonte ricorrente. Il risolutore formula un Problema di Controllo Ottimo (OCP) che minimizza una funzione di costo composta da inseguimento dell'obiettivo, regolarizzazione dello stato (che penalizza la deviazione dal prior di diffusione) e sforzo di controllo. Fondamentalmente, l'OCP impone vincoli rigidi, inclusi la dinamica del corpo rigido e l'evitamento delle collisioni tramite distanza con segno (signed-distance). Questo passaggio proietta il prior generativo su una traiettoria dinamicamente fattibile e rigorosamente priva di collisioni in tempo reale.

Contributi Chiave

• Architettura Ibrida: Il documento dimostra che l'accoppiamento di prior di diffusione oggetto-centrici con un MPC a dinamica completa produce una generazione di movimenti affidabile sotto stretti limiti temporali, superando la sensibilità all'inizializzazione dell'ottimizzazione pura e i limiti di sicurezza dei metodi basati puramente sull'apprendimento.
• Condizionamento Oggetto-Centrico: Gli autori propongono e validano un meccanismo di Slot Attention per l'encoding della scena, dimostrando che esso fornisce un segnale di condizionamento più compatto e generalizzabile rispetto alle rappresentazioni basate su immagini, griglie di occupazione o spazi di configurazione.
• Controllo a Ciclo Chiuso in Tempo Reale: A differenza dei lavori precedenti che generano traiettorie ad anello aperto tracciate da controllori di basso livello, questo approccio esegue una ri-pianificazione a ciclo chiuso su un robot fisico, imponendo rigorosamente i vincoli dinamici e di sicurezza a 100 Hz.
• Generazione Sistematica dei Dati: Viene introdotto un pipeline per generare dati di addestramento di alta qualità combinando la pianificazione basata sul campionamento (RRT) con l'ottimizzazione della traiettoria vincolata per produrre traiettorie esperte fluide e fattibili.

Risultati Sperimentali
Il metodo è stato valutato su un braccio robotico Franka Emika Panda attraverso tre ambienti benchmark (tavolo, cassetto e scaffale) con diverse configurazioni di ostacoli.

• Performance: Il metodo proposto ha raggiunto tassi di successo dell'82%, 79% e 83% nei tre ambienti, superando significativamente i baseline OCP puri (<10% di successo) e altri metodi basati sull'apprendimento come Motion-Planning Diffusion (MPD). Ha inoltre superato i pianificatori classici (RRT-Connect, cuRobo) e il baseline di diffusione PRESTO in termini di costo della traiettoria e tempo di calcolo.
• Latenza: Il sistema opera con un tempo di esecuzione inferiore a 72 ms, rendendolo adatto al controllo in tempo reale.
• Studi di Ablazione: Gli esperimenti hanno confermato che la rappresentazione tramite Slot Attention supera il condizionamento basato su immagini e griglie di occupazione, specialmente in regimi a bassa computazione. Inoltre, lo studio ha rilevato che la guida del gradiente di costo durante il processo di diffusione offriva rendimenti decrescenti in presenza del raffinamento OCP, portando alla sua omissione nel pipeline finale.
• Validazione su Robot Fisico: Gli esperimenti sul robot fisico hanno confermato la capacità del sistema di evitare reattivamente gli ostacoli rilevati tramite AprilTag e di ri-ottimizzare i movimenti quando gli ostacoli venivano rimossi dinamicamente.

Significatività
Il documento sostiene che questo approccio stabilisce un pipeline robotico completo capace di prestazioni robuste su robot fisici in ambienti ingombrati e non convessi. Sfruttando il ragionamento globale dei modelli di diffusione per guidare l'ottimizzazione locale dell'MPC, il metodo raggiunge un equilibrio di sicurezza, efficienza e tasso di successo che nessuno dei due componenti potrebbe raggiungere da solo. Il lavoro evidenzia la praticità di combinare prior generativi con il controllo basato su modelli per la manipolazione consapevole delle collisioni, offrendo una soluzione che è allo stesso tempo computazionalmente efficiente e rigorosamente conforme ai vincoli di sicurezza fisica.