Sintesi Tecnica: Colmare il divario tra la supervisione handheld e quella teleoperata per la manipolazione ricca di contatti tramite esperti con gating dello stato

Problematica

Il paper affronta il fondamentale compromesso tra scalabilità e fedeltà nella raccolta di dati robotici per compiti di manipolazione ricca di contatti.

• Dati Handheld (es. UMI): Sistemi come l'Universal Manipulation Interface (UMI) consentono una raccolta di dati scalabile e "in the wild" disaccoppiando l'interfaccia dall'hardware specifico del robot. Tuttavia, essi catturano solo le azioni osservate (lo stato fisico del dispositivo handheld). Nelle fasi sensibili al contatto, queste azioni osservate spesso divergono dalle azioni desiderate (la traiettoria di riferimento inviata al controllore) a causa della rigidità finita, del filtraggio e degli errori di inseguimento. Il tracciamento ingenuo di queste traiettorie osservate con un'alta rigidità genera forze di contatto elevate e insicure.
• Dati Teleoperati: Sistemi come GELLO o ALOHA forniscono dati ad alta fedeltà direttamente sul robot, catturando le azioni desiderate. Tuttavia, la raccolta di dimostrazioni teleoperate per l'intero compito è proibitivamente lunga in termini di tempo e manca della diversità tipica della raccolta handheld.

Il problema centrale è che, mentre i dati handheld sono validi per il movimento in spazio libero e tollerante agli errori, essi non forniscono fattibilità dinamica durante le fasi sensibili al contatto. Al contrario, mescolare ingenuamente azioni osservate e desiderate in un singolo policy degrada le prestazioni perché i segnali di supervisione sono incompatibili.

Metodologia: BRIDGE

Gli autori propongono BRIDGE (Bi-modal Routing for Imitation Data via Gated Experts), un'architettura di policy di diffusione a miscela di esperti progettata per sfruttare i punti di forza complementari di entrambe le fonti di dati.

1. Raccolta Dati a Doppia Modalità (DM-UMI)

Gli autori utilizzano un dispositivo UMI modificato capace di operazione a doppia modalità:

• Modalità Handheld: Raccoglie un dataset di base su larga scala di azioni osservate attraverso ambienti diversificati per apprendere lo scaffold generale del compito.
• Modalità Teleoperata: Raccoglie un dataset di supporto sparso di azioni desiderate, mirato specificamente ai segmenti del compito in cui la base policy fallisce (colli di bottiglia di contatto).

2. Architettura

Il modello BRIDGE consiste in tre fasi sequenziali di addestramento:

• Fase 1: Addestramento della Base Policy ($\pi_b$): Una policy di diffusione viene addestrata sul dataset di base handheld. L'architettura utilizza un encoder visivo DINOv2 che mantiene tutti i token dei patch spaziali (elaborati tramite un blocco Perceiver IO) anziché solo il token CLS, per ragionare meglio sulle relazioni spaziali nei compiti ricchi di contatto. Questa policy impara a predire le azioni osservate.
• Fase 2: Addestramento del Support Head ($\pi_s$): Con la base policy e l'encoder visivo congelati, un nuovo adapter latente e una testa di diffusione vengono addestrati sul dataset di supporto teleoperato. Questo esperto impara a predire le azioni desiderate (la traiettoria di riferimento) specificamente per i regimi sensibili al contatto.
• Fase 3: Addestramento del Router ($G_\psi$): Un gate MLP leggero viene addestrato per instradare dinamicamente le osservazioni verso l'esperto base o quello di supporto. Il router viene addestrato utilizzando una strategia di pseudo-labeling k-Nearest Neighbor (k-NN) sulle rappresentazioni latenti. Impara a identificare quando lo stato corrente rientra nel "support manifold" (fasi sensibili al contatto) e passa all'esperto di azioni desiderate.

3. Inferenza

Durante l'esecuzione, il router esegue uno switch netto (hard-switch) basato sullo stato attuale del robot. Se lo stato è identificato come appartenente a una fase sensibile al contatto, il sistema instrada verso l'esperto di supporto per eseguire la traiettoria dell'azione desiderata. Altrimenti, utilizza l'esperto base per il movimento in spazio libero. Ciò evita la media di distribuzioni di azione incompatibili.

Contributi Chiave

1. Formalizzazione della Validità dell'Azione: Il paper dimostra che le azioni osservate sono sufficienti per il movimento in spazio libero e tollerante agli errori, ma falliscono durante le fasi sensibili alla forza dove le azioni desiderate sono necessarie per un'esecuzione precisa e conforme.
2. Architettura BRIDGE: L'introduzione di una policy di diffusione a miscela di esperti con gating che apprende congiuntamente da fonti di supervisione eterogenee (azioni osservate vs. desiderate) tramite l'instradamento basato sulla validità locale dell'azione.
3. Strategia Ibrida Efficiente: L'evidenza empirica che l'aumento dei dati handheld scalabili con un piccolo numero di dimostrazioni teleoperate mirate migliora significativamente i tassi di successo nei compiti ricchi di contatto senza il costo della teleoperazione completa del compito.

Risultati Sperimentali

Il metodo è stato valutato su tre compiti di manipolazione ricca di contatti utilizzando un braccio Franka FR3: NIST Pulley Routing, Pipe Insertion e Spring-Loaded Battery Insertion.

• Guadagni di Prestazione: BRIDGE ha costantemente superato i baseline solo-handheld, migliorando i tassi di successo fino al 36,7% nei tre compiti.
  • NIST Pulley: Migliorato dal 44,0% (Handheld) al 76,0% (BRIDGE), avvicinandosi all'84,0% della piena teleoperazione.
  • Pipe Insertion: Migliorato dal 13,3% (Handheld) al 50,0% (BRIDGE), chiudendo il gap rispetto al limite superiore del 63,3% della teleoperazione.
  • Battery Insertion: Migliorato dal 10,0% (Handheld) al 33,3% (BRIDGE).
• Fallimento del Mixing Naive: Un baseline "Naive Mix", che combina semplicemente etichette osservate e desiderate in un singolo policy, ha performato peggio del baseline solo-handheld (es. 0% di successo in Pulley Routing), confermando l'incompatibilità dei segnali di supervisione senza gating.
• Efficienza dei Dati: I dati di supporto mirati hanno coperto meno del 15% della lunghezza del percorso dell'end-effector in termini di distanza spaziale, eppure hanno recuperato fino al 79% del gap di prestazione rispetto al limite superiore della piena teleoperazione.
• Prestazioni del Router: Il router ha raggiunto il 99,0% di recall e il 69,0% di precisione nel compito di pipe insertion, identificando efficacementamente le fasi di contatto senza falsi negativi.

Significato e Rivendicazioni

Il paper sostiene che BRIDGE fornisce un meccanismo pratico per specializzare il comportamento del robot attraverso le fasi del compito. Separando le teste delle azioni osservate e desiderate, l'approccio consente l'uso di dati handheld scalabili e a basso costo per apprendere la struttura generale del compito, riservando la teleoperazione ad alta fedeltà e costosa per i colli di bottiglia specifici dove la dinamica di contatto richiede un controllo preciso.

Gli autori sottolineano che questo approccio colma il "gap di embodiment" tra la raccolta dati handheld e l'esecuzione sul robot. Notano che, sebbene la piena teleoperazione rimanga il limite superiore in-domain, essa è spesso impraticabile a causa dei carichi cognitivi e fisici. BRIDGE offre una via di mezzo, consentendo una manipolazione ricca di contatti ad alte prestazioni con uno sforzo di raccolta dati significativamente ridotto rispetto alla piena teleoperazione, evitando al contempo il degrado delle prestazioni associato al mixing ingenuo dei dati.

Il paper rimane modesto riguardo ai propri limiti, riconoscendo che l'approccio attuale si basa sull'identificazione empirica dei modi di fallimento, che lo switch netto può introdurre discontinuità di controllo e che la scalabilità del metodo a compiti a lungo termine con molteplici regimi di contatto richiede ulteriori indagini.