Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles

1. Il Problema

La pianificazione di traiettorie sicure e agili è fondamentale per i sistemi autonomi, in particolare durante manovre acrobatiche complesse per i Veicoli Aerei Non Pilotati (UAV). Sebbene l'Intelligenza Artificiale Generativa (GenAI), e in particolare i modelli di diffusione, abbiano dimostrato capacità eccezionali nella generazione di dati diversificati e di alta qualità (come traiettorie di volo), presentano due limiti critici per applicazioni safety-critical:

1. Imprevedibilità e Violazioni di Sicurezza: I modelli di diffusione possono generare output che violano i vincoli di sicurezza (es. collisioni con ostacoli) se non adeguatamente vincolati.
2. Dipendenza dai Dati: Le approcci tradizionali per garantire la sicurezza richiedono spesso dataset di addestramento estensivamente verificati per la sicurezza, il che è costoso e difficile da ottenere.

L'obiettivo è creare un framework che generi traiettorie acrobatiche complesse mantenendo un alto livello di sicurezza senza dipendere esclusivamente da dati di addestramento "sicuri".

2. Metodologia: AeroTrajGen

Il paper introduce AeroTrajGen, un nuovo framework basato su modelli di diffusione che integra le Funzioni di Barriera di Controllo (CBF) direttamente nel processo di inferenza (campionamento).

Architettura del Modello

• Diffusion Transformer Consapevole degli Ostacoli: Il cuore del sistema è un trasformatore che condiziona la generazione della traiettoria su input multimodali:
  • Storia della traiettoria passata.
  • Punto di destinazione (waypoint).
  • Stile della manovra (es. loop, rollio, ecc., per un totale di 14 manovre acrobatiche).
  • Contesto degli ostacoli (codificato tramite un encoder specifico).
• Addestramento: Il modello è addestrato su un dataset di 2.000 dimostrazioni esperte (aumentate a 3.000 con data augmentation) che coprono 14 stili di manovra diversi.

Innovazione Chiave: Campionamento Guidato da CBF

Invece di applicare la sicurezza come un filtro post-hoc o di riaddestrare il modello con dati sicuri, il paper propone di integrare la sicurezza direttamente nel flusso di gradiente del processo di diffusione inversa (Reverse Diffusion Process).

• Funzione di Probabilità di Sicurezza: Viene definita una funzione di probabilità di sicurezza $p_s(C|x_t)$ basata sulle CBF, che misura la probabilità che lo stato del sistema rimanga all'interno dell'insieme sicuro.
• Guida del Gradiente: Durante il processo di denoising (inverso), il gradiente della funzione di sicurezza viene aggiunto alla funzione di punteggio (score function) del modello di diffusione. Questo spinge la traiettoria generata verso regioni dello spazio degli stati sicure.
• Equazione Modificata: Il rumore previsto viene corretto come segue:
  $$\epsilon_{guided} = \epsilon_{\theta}(x_t, t) - \sqrt{1-\bar{\alpha}_t} \nabla_x \log p_s(C | x_t)$$
  Dove il termine aggiuntivo agisce come una forza repulsiva dagli ostacoli.
• Funzioni di Barriera: Sono state valutate tre funzioni per la probabilità di sicurezza (Barriera Esponenziale, CDF Normale, Logistica). La funzione Logistica (Sigmoid) è stata scelta come compromesso ottimale tra efficienza computazionale e regolarità (smoothness).

3. Contributi Chiave

1. Integrazione CBF-Diffusione: Prima applicazione che incorpora l'invarianza in avanti delle CBF direttamente nel flusso di gradiente di un modello di diffusione durante l'inferenza, eliminando la necessità di dati di addestramento verificati per la sicurezza.
2. Architettura Transformer Multimodale: Sviluppo di un encoder che fonde contesto ambientale (ostacoli), storia, destinazione e stile di manovra per generare traiettorie fisicamente coerenti e agili.
3. Riduzione della Dipendenza dai Dati: Il sistema è in grado di garantire la sicurezza anche senza aver visto esempi di traiettorie sicure durante l'addestramento, affidandosi alla guida matematica delle CBF al momento della generazione.

4. Risultati Sperimentali

Il modello è stato valutato in simulazione in ambienti con 3-5 ostacoli sferici casuali.

• Sicurezza (Collisioni):
  • Il modello di base (senza guida CBF) ha un tasso di collisione del 99.0% in ambienti densi.
  • L'uso del campionamento guidato da CBF (con la funzione logistica e forza di guida $\gamma=4000$) riduce il tasso di collisione a 0.0% su 200 traiettorie di test.
  • Rispetto a un baseline non guidato, si ottiene una riduzione delle collisioni del 94.7%.
• Accuratezza e Compromessi (Trade-off):
  • C'è un compromesso tra sicurezza e precisione: la guida forte riduce le collisioni ma aumenta l'errore di posizione (RMSE) da 0.47m a 1.19m e riduce leggermente il successo complessivo (dal 47.5% al 42.0% in assenza di encoder, o dal 29.5% al 31.5% con encoder).
  • Tuttavia, la configurazione con Encoder degli Ostacoli + Guida Moderata offre il miglior equilibrio, con un tasso di collisione del 2.0% e un successo del 31.5%.
• Diversità delle Manovre: Il modello genera con successo tutte le 14 manovre acrobatiche (es. loop, rollio, figure-eight) mantenendo la sicurezza. Le manovre più complesse mostrano tassi di successo leggermente inferiori a causa della tensione tra precisione richiesta e vincoli di sicurezza.

5. Significato e Impatto

Questo lavoro rappresenta un passo significativo verso l'uso sicuro dell'IA generativa nella robotica.

• Ponte tra Generatività e Sicurezza: Dimostra che i modelli di diffusione, spesso considerati "scatole nere" imprevedibili, possono essere resi sicuri e affidabili per compiti critici integrando vincoli matematici formali (CBF) nel processo di generazione.
• Efficienza Operativa: Elimina la necessità di raccogliere costosi dataset di "fallimenti sicuri" o di riaddestrare modelli complessi per ogni nuovo scenario di sicurezza.
• Applicabilità: Il framework è direttamente applicabile a scenari reali di UAV che richiedono manovre acrobatiche in ambienti affollati, offrendo una soluzione unificata per la generazione di traiettorie sia agili che sicure.

In sintesi, AeroTrajGen trasforma i modelli di diffusione da generatori puramente statistici a pianificatori di traiettorie sicuri, garantendo che l'agilità delle manovre acrobatiche non comprometta mai la sicurezza operativa.