Sintesi Tecnica: Apprendimento di Traiettorie con Rappresentazioni a Grafo per la Navigazione di Robot Sociali

Definizione del Problema

I robot mobili autonomi che operano in ambienti popolati da esseri umani devono navigare minimizzando il disturbo ai pedoni. Sebbene la cattura delle interazioni sociali e l'incorporazione delle stime del moto dei pedoni siano cruciali per un comportamento socialmente conforme, i metodi esistenti affrontano limitazioni significative:

1. Apprendimento per Rinforzo (RL): Richiede funzioni di ricompensa progettate manualmente che spesso riducono complessi comportamenti sociali a criteri statici, limitando la capacità di riprodurre i pattern pedonali del mondo reale.
2. Apprendimento per Imitazione (Behavior Cloning - BC): Offre un addestramento diretto da dati del mondo reale ma soffre di accumulo di errori dovuto al processo decisionale a singolo step. Piccole variazioni di distribuzione tra addestramento e test portano a errori composti.
3. Rappresentazione dello Stato: Molti approcci si affidano a un numero fisso di pedoni o a interazioni pairwise indipendenti, fallendo nel modellare la struttura relazionale e le interazioni sociali dinamiche all'interno di una folla.
4. Preveggenza (Foresight): Navigare basandosi esclusivamente su osservazioni attuali o passate limita la capacità del robot di anticipare le intenzioni dei pedoni, portando a manovre reattive piuttosto che preventive.

Metodologia

Gli autori propongono un framework di apprendimento per imitazione a due stadi che decoppia l'apprendimento della rappresentazione della folla dall'apprendimento della politica di navigazione.

1. Graph Feature Autoencoder (GFAE)

Per affrontare il limite della modellazione della struttura sociale, gli autori introducono una nuova rete ausiliaria, il Graph Feature Autoencoder (GFAE).

• Architettura: Utilizza un Graph Transformer Layer (GTL) come encoder. Questo strato impiega un meccanismo di attenzione multi-testa per pesare dinamicamente le interazioni tra gli agenti (pedoni e robot) in base alla loro vicinanza e influenza, invece di trattare tutte le interazioni allo stesso modo.
• Funzione: Il GFAE elabora un grafo di stato dove i nodi rappresentano gli agenti e gli archi rappresentano le interazioni. Esso aggrega gli embedding dei nodi tramite max pooling per produrre un embedding della folla di dimensione fissa ($z$).
• Obiettivo di Addestramento: Per garantire che l'embedding aggregato preservi l'informazione per nodo, la rete include un decoder che ricostruisce le caratteristiche dei singoli nodi a partire dall'embedding globale. Il modello è addestrato per minimizzare l'Errore Quadratico Medio (MSE) tra le caratteristiche originali e quelle ricostruite.
• Risultato: Questo produce embedding della folla trasferibili che catturano le interazioni uomo-uomo e uomo-robot indipendentemente dal compito di navigazione a valle.

2. Generazione Condizionale della Traiettoria del Robot (Modulo di Navigazione)

Il modulo di navigazione si basa sul framework Conditional Neural Movement Primitives (CNMP) per affrontare l'accumulo di errori e la mancanza di preveggenza.

• Input: Il modulo riceve una rappresentazione latente condivisa ($r$) derivata da osservazioni campionate, che includono tempo, posizione del robot, obiettivo e gli embedding grafici generati dal GFAE.
• Predizione a Doppia Testa (Dual-Head Prediction): A differenza del BC standard, questo modulo impiega due teste di decodifica che operano dallo stesso vettore latente:
  1. Testa della Traiettoria: Predice la posizione futura del robot.
  2. Testa dello Stato: Predice i futuri embedding della folla (stime del movimento dei pedoni).
• Obiettivo di Addestramento: La rete è addestrata con un obiettivo di apprendimento a livello di traiettoria. Campiona passaggi di osservazione e target in modo uniforme dalle dimostrazioni e minimizza una combinazione lineare di:
  • Perdita della traiettoria (log-likelihood negativa gaussiana).
  • Perdita di predizione dello stato (MSE tra i futuri embedding della folla previsti e quelli reali).
• Meccanismo: Predicendo congiuntamente la traiettoria del robot e gli stati futuri della folla, l'encoder condiviso è regolarizzato per codificare informazioni sia sul percorso del robot che sulla dinamica dei pedoni. Ciò consente al robot di incorporare i movimenti anticipati dei pedoni nel proprio processo decisionale, mitigando l'accumulo di errori tipico del BC a singolo step.

Contributi Chiave

1. Framework Spazio-Temporale: Integrazione di rappresentazioni spaziali apprese della folla (tramite GNN) con l'apprendimento temporale della traiettoria.
2. Graph Feature Autoencoder (GFAE): Un metodo innovativo per codificare la struttura sociale di una folla in un embedding di dimensione fissa, sfruttando i meccanismi di attenzione per modellare le interazioni uomo-uomo e uomo-robot.
3. Modulo di Navigazione a Livello di Traiettoria: Un modulo di navigazione addestrato con un obiettivo a livello di traiettoria che mitiga l'accumulo di errori. Predice congiuntamente le stime del movimento dei pedoni e la traiettoria del robot da una rappresentazione latente condivisa, consentendo manovre preventive.

Risultati Sperimentali

Il framework è stato valutato sia in un ambiente di magazzino simulato (SEAN 2.0) che su un dataset del mondo reale (SCAND).

Risultati della Simulazione (SEAN 2.0)

• Metriche: Valutato su Conteggio Intrusione Zona Intima (IZIC), Conteggio Intrusione Zona Personale (PZIC), Distanza Minima dai Pedoni (MDTP), Collisioni, Tempo di Navigazione e Tasso di Successo.
• Performance: Il metodo proposto (GE+CNMP) ha superato il Behavior Cloning (BC), il Diffusion Policy e un baseline che utilizza Embedding Grafici con BC (GE+BC).
  • Ha ottenuto il tasso di successo più elevato (98,12%) e i conteggi di intrusione più bassi.
  • Ha superato significativamente il Diffusion Policy, un fatto che gli autori attribuiscono alla mancanza di un obiettivo a livello di traiettoria nell'approccio di diffusione e alla dimensione minore del dataset.
  • Studio di Ablazione: Ha confermato che l'uso di embedding grafici appresi (GE+BC) migliora significativamente le prestazioni rispetto alle rappresentazioni dello stato grezzo (BC). Lo strato TransformerConv con max pooling ha prodotto la migliore perdita di ricostruzione nel GFAE.
• Visualizzazione: Le visualizzazioni t-SNE hanno mostrato che lo spazio latente del GFAE ha raggruppato con successo gli stati per scenario sociale, mentre lo spazio dello stato grezzo no.

Risultati del Mondo Reale (Dataset SCAND)

• Configurazione: Testato su dati LiDAR rumorosi del mondo reale provenienti da ambienti esterni.
• Performance: GE+CNMP ha superato significativamente il BC, ottenendo un tasso di successo del 98,33% rispetto al 53,33% del BC.
• Osservazione: Il BC falliva frequentemente superando l'obiettivo o collidendo con i pedoni, mentre il metodo proposto manteneva la conformità sociale e raggiungeva gli obiettivi efficacemente.

Significato e Rivendicazioni

Il paper sostiene che il suo framework affronta con successo tre limitazioni primarie dei precedenti metodi di navigazione sociale:

1. Accumulo di Errori: Utilizzando un obiettivo di apprendimento a livello di traiettoria anziché l'imitazione a singolo step, il metodo riduce l'effetto cumulativo degli errori durante l'esecuzione.
2. Movimenti Anticipati: Predicendo congiuntamente gli stati futuri della folla insieme alla traiettoria del robot, il sistema consente manovre flessibili e preventive anziché reattive.
3. Modellazione della Struttura Sociale: Il GFAE cattura la struttura relazionale della folla (interazioni uomo-uomo) invece di trattare i pedoni come entità indipendenti o un set fisso.

Gli autori concludono che il loro metodo mostra manovre socialmente conformi sia in ambienti simulati che nel mondo reale, dimostrando che l'apprendimento delle relazioni temporali tra dati sensomotorî e embedding della folla produce prestazioni sociali superiori rispetto ai comuni metodi reattivi.

Limitazioni

Gli autori riconoscono specifiche limitazioni:

• Scalabilità: L'operazione di pooling utilizzata per creare gli embedding grafici potrebbe affrontare sfide di scalabilità in contesti altamente affollati.
• Evitamento delle Collisioni: Il framework non integra garanzie esplicite di evitamento delle collisioni; gli esperimenti sono stati condotti in ambienti senza ostacoli statici per concentrarsi sulle manovre sociali. Il lavoro futuro prevede l'integrazione di questo framework in uno stack di navigazione dove controller di basso livello gestiscano l'evitamento delle collisioni.