Global-Local Attention Decomposition for Terrain Encoding in Humanoid Perceptive Locomotion

Sintesi Tecnica: Decomposizione dell'Attenzione Globale-Locale per la Codifica del Terreno nella Locomozione Percettiva Umanoide

Problematica
Sebbene l'apprendimento per rinforzo (RL) abbia fatto progressi nella locomozione umanoide, le policy percettive faticano in ambienti con appoggi radi (sparse-foothold) e vincolati. Il successo in questi scenari richiede due distinte capacità percettive: una consapevolezza ampia del contesto del terreno circostante e una selezione precisa dei punti di appoggio fattibili. I convenzionali encoder del terreno spesso intrecciano questi obiettivi all'interno di un singolo meccanismo, portando alla diluizione dei segnali spaziali fini, all'indebolimento della corrispondenza spaziale tra caratteristiche e regioni raggiungibili e a un aumento del carico computazionale dell'addestramento. I metodi basati sull'attenzione esistenti (ad es., AME, AME-2) tentano di fondere la propriocezione con l'esterocezione, ma tipicamente applicano un singolo meccanismo di attenzione all'intero set di caratteristiche, fallendo nel separare esplicitamente l'aggregazione del contesto globale dalla codifica locale condizionata dallo stato.

Metodologia: Global-Local Attention Decomposition (GLAD)
Gli autori propongono GLAD, un encoder del terreno da grossolano a fine (coarse-to-fine) progettato per decomporre esplicitamente questi ruoli percettivi. L'architettura elabora una mappa di elevazione centrata sul robot attraverso le seguenti fasi:

1. Estrazione delle Caratteristiche Locali Spazialmente Allineate: Una rete neurale convoluzionale (CNN) a due strati estrae le caratteristiche locali da una mappa di elevazione 3D. A differenza dei lavori precedenti che convolgono solo i valori di altezza, GLAD convolve le coordinate 3D complete per incorporare direttamente i segnali posizionali nelle caratteristiche. Il primo strato esegue un sottocampionamento con stride per decomporre la risoluzione di rilevamento dalla risoluzione delle caratteristiche, riducendo la lunghezza della sequenza pur mantenendo l'allineamento spaziale con il terreno.
2. Ramo dell'Attenzione Globale: Questo ramo utilizza l'attention pooling per aggregare tutte le caratteristiche locali in un vettore compatto di "contesto del terreno circostante". Questo vettore riassume la trasversabilità generale e la disposizione geometrica davanti al robot senza concentrarsi su specifici punti di appoggio.
3. Ramo dell'Attenzione Locale: Questo ramo esegue una sparsificazione e una codifica condizionata dallo stato. Esso fonde il vettore del contesto globale con un embedding proprioocettivo per generare una query condizionata dallo stato. Questa query valuta le caratteristiche locali, trattenendo solo i $K$ candidati superiori (sparsificazione) rilevanti per lo stato di moto attuale del robot. Un meccanismo di Multi-Head Attention (MHA) elabora quindi queste caratteristiche sparse per produrre una codifica geometrica fine e rilevante per il punto di appoggio.
4. Rappresentazione Unificata: Il vettore del contesto globale e la caratteristica locale rilevante per il punto di appoggio vengono concatenati per formare la rappresentazione finale del terreno, che viene poi fornita alla policy di locomozione.

Contributi Chiave

1. Decomposizione Esplicita: Il documento introduce GLAD, che separa l'attenzione in aggregazione del contesto del terreno globale e codifica locale del punto di appoggio condizionata dallo stato. Ciò consente alla policy di ragionare congiuntamente sulla trasversabilità generale e sulla geometria precisa della regione di supporto senza intreccio architettonico.
2. Efficienza e Interpretabilità: Combinando la decomposizione con la sparsificazione delle caratteristiche locali condizionata dallo stato, il metodo riduce il costo computazionale dell'applicazione dell'attenzione densa all'intero set di caratteristiche del terreno. I comportamenti di attenzione risultanti sono complementari e interpretabili: l'attenzione globale si concentra sulla trasversabilità in avanti, mentre l'attenzione locale evidenzia specifiche regioni di appoggio.
3. Robusto Trasferimento Zero-Shot: Il metodo è validato su un robot umanoide Unitree G1 utilizzando esclusivamente la mappatura di elevazione basata su LiDAR di bordo. Ottiene un robusto trasferimento zero-shot sim-to-real attraverso diversi domini con appoggi radi e ricchi di ostacoli, senza pre-mappatura o motion capture esterna.

Risultati Sperimentali

• Simulazione: GLAD è stato testato contro i baseline (AME, AME con contesto globale) e le varianti di ablazione su quattro terreni di test non visti, inclusi pietre d'appoggio composte, pilastri casuali e percorsi sinusoidali stretti. GLAD ha raggiunto i tassi di successo più elevati (ad es., 95,90% su percorsi stretti rispetto al 18,95% per GLAD senza attenzione locale).
• Analisi dell'Attenzione: Le metriche quantitative hanno mostrato che GLAD raggiunge la minima distanza pesata dall'attenzione rispetto ai punti di appoggio effettivi e la massima concentrazione di attenzione ($A_{peak}$). Significativamente, la concentrazione dell'attenzione locale di GLAD si adatta alla difficoltà del terreno (aumentando da 0,257 su terreno continuo a 0,447 su terreno discreto), mentre i baseline mostravano una minore adattabilità.
• Efficienza dell'Addestramento: Il design coarse-to-fine ha ridotto il tempo di addestramento a 1,00 giorno su una singola GPU, rispetto a 1,36 giorni per AME e 1,50 giorni per AME con contesto globale.
• Implementazione nel Mondo Reale: Sul Unitree G1, la policy ha attraversato con successo pietre d'appoggio alternate, compositi di gradini e intercapedini, ampi vuoti (fino a 70 cm) e campi di ostacoli densi. Il robot ha esibito comportamenti emergenti, come il seguire autonomamente percorsi stretti ed evitare ostacoli sotto semplici comandi di velocità, senza pianificatori gerarchici.

Significatività e Rivendicazioni
Il documento sostiene che GLAD affronti un limite fondamentale della locomozione percettiva: l'intreccio tra contesto globale e precisione locale negli encoder esistenti. Separando esplicitamente questi ruoli, il metodo consente una locomozione con arti più robusta e reattiva al terreno. Gli autori sottolineano che la policy appresa esibisce "comportamenti emergenti reattivi al terreno", consentendo al robot di navigare in ambienti complessi e vincolati utilizzando solo semplici comandi di velocità e sensori di bordo. Il lavoro dimostra che una rappresentazione del terreno di alta qualità, piuttosto che una complessa strutturazione delle ricompense (reward shaping) o ricompense per i punti di appoggio progettate a mano, è sufficiente a supportare una locomozione affidabile su terreni difficili con appoggi radi.

Limitazioni
Gli autori riconoscono limitazioni riguardanti l'intervallo di rilevamento della mappa di elevazione locale, il rumore di ricostruzione e l'overhead computazionale della mappatura dell'elevazione in tempo reale. Si suggerisce che il lavoro futuro possa investigare pipeline di mappatura più efficienti, percezione temporalmente estesa e rappresentazioni del terreno multi-scala.