Sintesi Tecnica: THREAD – Pianificazione della Traiettoria per Manipolatori Ibridi Rigido-Morbidi con Diffusione Consapevole dell'Ambiente

1. Definizione del Problema

I robot che operano in ambienti confinati e non strutturati (ad es. risposta ai disastri, esplorazione sotterranea) affrontano sfide significative quando devono navigare attraverso aperture strette. Sebbene i manipolatori ibridi rigido-morbidi combinino la portata dei bracci rigidi con la conformità dei bracci continui morbidi (SCA) per accedere a spazi ristretti, essi introducono difficoltà di pianificazione uniche:

• Infattibilità Ambientale: Le forme dell'ossatura (backbone) che sono cinematicamente valide nello spazio libero possono diventare fisicamente inattuabili quando vincolate dal contatto ambientale, portando a collisioni o violazioni dei limiti di deformazione.
• Accoppiamento Cinematico: Pianificare i segmenti rigidi e morbidi indipendentemente ignora il loro accoppiamento cinematico. Un braccio rigido posizionato male può forzare il segmento morbido in configurazioni che violano i vincoli fisici, rendendo l'operazione impossibile.
• Limitazioni dei Metodi Esistenti: I classici pianificatori basati sul campionamento mancano di ripianificazione a ciclo chiuso e di generalizzazione. Gli approcci di apprendimento supervisionato e di Reinforcement Learning (RL) si concentrano spesso sul controllo dell'end-effector, mancando di un ragionamento globale sull'ossatura o di una consapevolezza geometrica esplicita delle collisioni. Inoltre, i modelli di diffusione esistenti sono stati applicati ai spazi dei giunti rigidi ma non al dominio continuo della forma dell'ossatura dei manipolatori a continuum.

2. Metodologia: Il Framework THREAD

Gli autori propongono THREAD, un pianificatore di traiettorie basato sulla diffusione che opera nello spazio della forma dell'ossatura continuo piuttosto che nello spazio dei giunti o dell'end-effector. Il sistema integra percezione, pianificazione generativa e controllo a ciclo chiuso.

A. Rappresentazione Unificata dell'Ossatura

L'intera catena cinematica (braccio rigido + braccio continuo morbido) è codificata come un'unica ossatura di $K=64$ punti campionati dalla base alla punta.

• Maschera Rigido-Morbida: Una maschera parametrizzata divide l'ossatura in segmenti rigidi e morbidi.
• Ottimizzazione dei Giunti: Diffondendo sull'intera ossatura, il modello assicura che la posa dell'end-effector generata rimanga cinematicamente realizzabile dal braccio rigido, soddisfacendo simultaneamente i vincoli fisici del segmento morbido.

B. Pianificatore di Traiettoria a Diffusione

Un Modello Probabilistico di Denoising Diffusion (DDPM) è addestrato per generare traiettorie dell'ossatura prive di collisioni, condizionate da:

1. Geometria dell'Ambiente ($\mathcal{C}_{env}$): Codificata tramite un encoder di nuvole di punti (MASt3R) che elabora scene 3D ricostruite.
2. Posa dell'Obiettivo ($\mathcal{C}_{goal}$): La posizione target 3D.
3. Stato Iniziale ($\mathcal{C}_{state}$): La configurazione attuale dell'ossatura del robot.

Perdite Informate dalla Fisica (Physics-Informed Losses): Durante l'addestramento, il modello minimizza una funzione di perdita composita:

• Perdita di Predizione del Rumore: MSE standard per il denoising.
• Perdita di Curvatura ($L_c$): Impone una fluidità fisicamente plausibile per il segmento morbido.
• Perdita di Fluidità Temporale ($L_t$): Garantisce transizioni fluide tra i passi temporali.
• Perdita di Rettilineità del Segmento Rigido ($L_r$): Impone che il segmento rigido rimanga dritto (curvatura zero), prevenendo configurazioni fisicamente impossibili.

Guida durante l'Inferenza: Per imporre l'evitamento delle collisioni senza riaddestramento, il sistema utilizza un Campo di Distanza con Segno (SDF) differenziabile derivato dalla scena osservata. Durante il processo di campionamento DDIM, viene applicata una guida basata sul gradiente alla traiettoria pulita predetta per penalizzare i punti che penetrano gli ostacoli.

C. Controllo ed Esecuzione

• Cinematica Inversa (IK): Un MLP appreso mappa la forma dell'ossatura pianificata ai comandi di attuazione (input pneumatici per lo SCA e delta dei giunti per il braccio rigido).
• Politica di RL Residua: Una politica Soft Actor-Critic (SAC) opera in un ciclo chiuso per emettere piccole azioni correttive ($\pm 20$ mm) per compensare errori di modellazione e incertezze di contatto.
• Ripianificazione a Orizzonte Recedente (Receding-Horizon Replanning): Il pianificatore di diffusione viene richiamato ogni 32 passi per ancorare nuovamente il piano allo stato attuale del robot, correggendo la deriva.

3. Contributi Chiave

1. Rappresentazione Unificata: Il primo framework che codifica l'intera catena cinematica di un manipolatore ibrido come un'unica forma di ossatura, consentendo l'ottimizzazione congiunta dei sottosistemi rigidi e morbidi.
2. Diffusione nello Spazio dell'Ossatura: La prima applicazione di modelli di diffusione ai manipolatori a continuum, estendendo la pianificazione della traiettoria dagli spazi discreti dei giunti ai domini continui della forma dell'ossatura.
3. Strategia di Inferenza Ibrida: Una nuova combinazione di guida geometrica al tempo di inferenza (SDF) per l'evitamento delle collisioni e una politica di RL residua per il raffinamento dell'esecuzione.
4. Trasferimento Cross-Embodiment: Dimostrazione del fatto che la pianificazione nello spazio della forma dell'ossatura consente il trasferimento diretto a diverse morfologie hardware (ad es. da un UR5 con uno SCA a 2 segmenti a un myCobot con uno SCA a 1 segmento) con un minimo adattamento di RL online e senza riaddestramento del pianificatore di diffusione.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti nell'ambiente di simulazione SoftManiSim e validati su hardware reale.

• Prestazioni: THREAD ha raggiunto un tasso di successo del compito del 92,4%, superando significativamente la baseline più forte (BC + RL al 75,3%) e riducendo le collisioni di 5 volte (12,2% vs 62,2% per BC + RL).
• Robustezza: Nei test "out-of-distribution" che coinvolgono angoli delle pareti e distanze non viste, THREAD ha mantenuto tassi di successo di circa l'88%, mentre le baseline sono degradate verso lo zero o a singole cifre.
• Qualità della Traiettoria: Il metodo ha prodotto traiettorie significativamente più fluide (metrica di fluidità 0,008) rispetto agli approcci RL-only (0,110) e BC+RL (0,076).
• Trasferimento Sim-to-Real: Implementato su un myCobot reale con uno SCA a singolo segmento (non visto durante l'addestramento), THREAD ha ottenuto un successo del 75,0% con solo circa 100 passi di aggiornamento RL online, riuscendo a infilarsi in aperture piccole quanto 1,3× il diametro del segmento morbido.
• Studi di Ablazione: Rimuovere la guida al tempo di inferenza ha causato un aumento delle collisioni di circa 5,5 volte. Rimuovere la perdita di rigidità ha causato segmenti rigidi curvi fisicamente irrealizzabili, mentre rimuovere la perdita di curvatura ha portato a pieghe morbide non fluide.

5. Significato e Rivendicazioni

Il paper sostiene che THREAD affronta una lacuna fondamentale nella manipolazione ibrida spostando il paradigma di pianificazione da centrato sull'attuatore (giunto/end-effector) a centrato sulla geometria (forma dell'ossatura).

• Prior Generativo: Gli autori sostengono che il giusto bias induttivo per ambienti confinati sia un prior generativo sulle forme fisicamente realizzabili. Ciò consente al sistema di rappresentare l'intera distribuzione di soluzioni valide piuttosto che cercare una singola traiettoria, permettendo una degradazione aggraziata man mano che i vincoli si stringono.
• Generalizzazione: La rappresentazione centrata sull'ossatura è indicata come una "proprietà strutturale" che facilita il trasferimento tra hardware morfologicamente distinti. Imparando la geometria delle forme fattibili piuttosto che memorizzare le traiettorie degli attuatori, il pianificatore si generalizza a nuovi robot e ambienti senza riaddestramento.
• Sicurezza e Successo: La combinazione di un prior geometrico (diffusione) e di una correzione reattiva (RL) risolve il tradizionale compromesso tra successo del compito e sicurezza, ottenendo elevati tassi di successo senza i costi di collisione visti negli approcci puramente reattivi o basati sull'imitazione.

Gli autori concludono che questo approccio offre una via verso pianificatori general-purpose per manipolatori morbidi e ibridi, particolarmente in scenari che richiedono la navigazione attraverso ambienti vincolati e non strutturati.