Sintesi Tecnica: SPADE – Pianificazione del Percorso Guidata da Sketch e Potenziata da Esperti di Diffusione

1. Definizione del Problema

I Robot Mobili Autonomi (AMR) richiedono una pianificazione del percorso robusta che non si limiti solo a evitare ostacoli, ma che rispetti anche le sfumature delle preferenze degli operatori umani, come il mantenimento di specifiche distanze di sicurezza o l'esecuzione di curve fluide in aree sensibili. Gli algoritmi di pianificazione tradizionali (es. A*, RRT) faticano a codificare queste preferenze soggettive senza un complesso ingegneria delle ricompense. Sebbene l'Apprendimento per Imitazione (IL), specificamente il Behavioral Cloning (BC), offra una soluzione apprendendo dalle dimostrazioni degli esperti, gli approcci esistenti affrontano due criticità fondamentali:

1. Generalizzazione Limitata: I modelli spesso non riescono ad adattarsi ad ambienti o configurazioni di mappe non visti in precedenza.
2. Robustezza della Raccolta Dati: Gli strumenti di annotazione esistenti (es. il simulatore utilizzato nel framework SKIPP) soffrono di problemi di manutenibilità, mancanza di disponibilità open-source e difficoltà nella raccolta di dimostrazioni di alta qualità in contesti industriali specializzati.

Inoltre, sebbene i recenti modelli basati sulla diffusione mostrino grande potenziale nel catturare distribuzioni di percorsi complessi e multimodali, i loro processi iterativi di denoising comportano un'elevata latenza di inferenza, rendendoli inadatti per l'implementazione real-time su dispositivi edge con risorse limitate.

2. Metodologia

Il documento introduce SPADE (Sketch-guided Path Planning Augmented with Diffusion Experts), un framework progettato per colmare il divario tra l'elevata capacità rappresentativa dei modelli di diffusione e i requisiti di efficienza dei sistemi robotici implementabili. La metodologia si compone di tre componenti primarie:

2.1 Pipeline di Annotazione Ristrutturata

Per affrontare le limitazioni nella raccolta dati, gli autori hanno sviluppato una pipeline di annotazione completamente open-source basata su ROS 2.

• Simulazione: Utilizza map2gazebo per convertire griglie di occupanza 2D in mondi 3D Gazebo, impiegando il robot a trazione differenziale TurtleBot3.
• Navigazione: Sfrutta il framework Nav2 per il moto autonomo, permettendo agli utenti di definire i percorsi in modo interattivo tramite waypoint in RViz2.
• Elaborazione dei Dati: Registra le traiettorie attraverso modalità di percorso, obiettivo finale e posa del robot. Viene applicata una funzione di smoothing basata su spline per ricampionare i percorsi in curve continue e uniformemente spaziate, al fine di ridurre il rumore e migliorare la stabilità dell'addestramento.

2.2 Diffusion-Augmented Behavioral Cloning (DBC)

L'innovazione principale risiede nella strategia di addestramento, che integra un Esperto di Diffusione per guidare una rete di Behavioral Cloning (BC) compatta.

• Architettura: Il sistema utilizza un paradigma "teacher-student". Un modello di diffusione ad alta capacità (il teacher) viene addestrato offline sulle dimostrazioni degli esperti, mentre un modello BC leggero (lo student) viene addestrato per l'inferenza in tempo reale.
• Diffusione Condizionata all'Immagine (Cond-DBC): A differenza dei precedenti approcci DBC che modellavano la probabilità congiunta $p(a, s)$, SPADE introduce un modello di diffusione condizionato all'immagine che apprende la probabilità condizionale $p(a|s)$.
  • Input: Il modello di diffusione riceve la griglia di occupanza, il punto di partenza e il punto di arrivo come input di condizionamento (tramite strati FiLM) e predice esclusivamente il canale del percorso.
  • Meccanismo di Guida: Durante l'addestramento del BC, il modello di diffusione agisce come un discriminatore. Calcola una Loss di Margine di Diffusione ($L_{DM}$), definita come la differenza tra la perdita di ricostruzione del percorso predetto dall'agente e il percorso reale dell'esperto.
  • Obiettivo: La perdita totale combina la perdita standard del BC con la perdita di margine di diffusione ($L_{total} = L_{BC} + \lambda L_{DM}$), incoraggiando la rete BC a generare percorsi che si allineino con la distribuzione strutturale del modello di diffusione dell'esperto senza mimarne direttamente il lento processo di inferenza.

2.3 Varianti del Modello

Lo studio valuta tre scale di modelli (Small, Medium, Large) per la rete BC, insieme a due tipi di esperto di diffusione:

• Unconditional Diffusion (DBC): Apprende distribuzioni congiunte.
• Conditioned Diffusion (Cond-DBC): Apprende distribuzioni condizionate basate sullo stato dell'ambiente.

3. Contributi Chiave

1. Pipeline di Annotazione Open-Source: Uno strumento robusto basato su ROS 2 che sostituisce i simulatori obsoleti, garantendo riproducibilità ed estensibilità per la raccolta dati in scenari industriali.
2. Guida di Diffusione Condizionata all'Immagine: Un'estensione del framework DBC che utilizza modelli di diffusione condizionati all'immagine per fornire segnali di guida mirati e consapevoli dello stato, migliorando l'interpretabilità della guida per reti student più piccole.
3. Generalizzazione Efficiente: Una strategia di addestramento che consente a modelli leggeri di raggiungere una generalizzazione di "livello diffusione" mantenendo capacità di inferenza real-time su dispositivi edge.

4. Risultati Sperimentali

Il framework è stato valutato su un dataset di 20.000 dimostrazioni di esperti (percorsi a forma di L e a forma di U) attraverso varie configurazioni di mappe. Le prestazioni sono state misurate tramite Fréchet Inception Distance (FID), Absolute Pose Error (APE) e Distanza di Hausdorff ($H_{d19}$).

• Performance rispetto al Baseline: Il framework SPADE ha superato significativamente l'approccio baseline SKIPP (standard BC).
  • APE: Ridotto del 39,1%.
  • FID: Ridotto del 33,5%.
  • Parametri: Ha ottenuto questi guadagni con il 93,8% in meno di parametri addestrabili rispetto ai grandi modelli baseline.
• Cond-DBC vs. DBC: L'approccio condizionato all'immagine (Cond-DBC) ha generalmente superato l'approccio non condizionato (DBC), in particolare nella riduzione della generazione di artefatti (segmenti di percorso disconnessi) nelle architetture di modelli più piccoli.
• Efficienza di Inferenza: Mentre i modelli di diffusione standalone raggiungevano bassi punteggi FID, i loro tempi di inferenza erano proibitivi (18–45 secondi). Al contrario, il modello Cond-DBC di medie dimensioni ha ottenuto prestazioni comparabili con un'inferenza in tempo reale adatta a sistemi embedded.
• Studi di Ablazione:
  • Transfer Learning: Il fine-tuning della pipeline SPADE dai comportamenti a forma di L a quelli a forma di U su nuove mappe ha prodotto un miglioramento del 37,1% in FID e una riduzione del 62% degli artefatti rispetto al fine-tuning standard.
  • Addestramento da Zero: L'intera pipeline SPADE ha migliorato il FID del 4,21% e ridotto gli artefatti del 63,16% rispetto all'addestramento di un modello SKIPP standard da zero.

5. Significato e Rivendicazioni

L'articolo sostiene che SPADE affronta con successo il compromesso tra capacità del modello ed efficienza di implementazione. Utilizzando un modello di diffusione ad alta capacità come "teacher" durante l'addestramento, il framework consente a modelli compatti e implementabili di generalizzare efficacemente a nuovi ambienti e comportamenti senza richiedere calcolo in cloud o hardware specializzati.

Gli autori sottolineano che questo approccio rende la pianificazione del percorso consapevole delle preferenze applicabile a robot industriali con risorse limitate. I risultati suggeriscono che la guida dell'esperto basata sulla diffusione permette ai modelli piccoli di catturare distribuzioni di percorsi complesse e multimodali che il normale behavioral cloning non può catturare, mantenendo al contempo i rigorosi vincoli di latenza e memoria richiesti per l'implementazione di AMR nel mondo reale. Questo lavoro posiziona SPADE come un passo pratico verso l'integrazione di avanzati prior generativi nell'edge robotics senza sacrificare le prestazioni.