SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

I robot, proprio come le persone, devono sapere dove si trovano e come si stanno muovendo per poter svolgere i propri compiti. Questa capacità, nota come odometria, è il costante calcolo interno di posizione e orientamento che permette a una macchina di navigare dal punto A al punto B. Per decenni, gli ingegneri si sono affidati a sensori esterni per costruire questa immagine del mondo. Le telecamere fungono da occhi, catturando caratteristiche visive come angoli e texture, mentre gli scanner laser mappano la geometria di pareti e ostacoli. Questi strumenti funzionano magnificamente in ambienti chiari, ben illuminati e strutturati. Tuttavia, il mondo reale è spesso disordinato. Fumo denso, neve accecante, tunnel nel buio totale o una improvvisa perdita di luce possono accecare una telecamera e disperdere un raggio laser. Quando questi sensi esterni falliscono, un robot può rapidamente perdere la strada, deviando dal percorso o fermandosi del tutto. Questa fragilità è stata a lungo una barriera per l'invio di macchine autonome nei luoghi più pericolosi o imprevedibili, come zone di disastro o miniere sotterranee profonde.

Un team di ricercatori della Carnegie Mellon University e della University at Buffalo ha sviluppato un nuovo sistema chiamato Super Odometry per risolvere questo problema. Invece di affidarsi esclusivamente a sensori esterni che possono essere facilmente ingannati dall'ambiente, il loro sistema impara a fidarsi del senso interno di movimento del robot, proprio come un essere umano che naviga in una stanza buia percependo i propri passi. I ricercatori hanno costruito un framework che non si limita a accendere o spegnere i sensori, ma adatta dinamicamente la sua intera strategia in base alla gravità delle condizioni. Hanno testato questo sistema su una flotta di robot, tra cui droni volanti, veicoli con ruote e macchine quadripedi, percorrendo oltre 200 chilometri di terreni impegnativi. I risultati hanno dimostrato che il sistema è in grado di mantenere una navigazione accurata anche quando telecamere e laser sono completamente inutilizzabili, come in presenza di fumo denso o oscurità totale, facendo affidamento pesantemente sui dati di un sensore di movimento interno.

Il cuore di questo nuovo approccio è una gerarchia di adattamenti che entra in gioco man mano che le condizioni peggiorano. In un ambiente normale, il robot utilizza le telecamere e gli scanner laser per tracciare il proprio percorso. Ma quando l'aria si riempie di fumo o la luce svanisce, il sistema non va nel panico; semplicemente cambia il proprio focus. Il primo passo consiste nel diventare più selettivi riguardo ai dettagli visivi di cui fidarsi, ignorando le parti sfocate o confuse. Se l'ambiente diventa geometricamente confuso, come un lungo corridoo vuoto dove le pareti sembrano identiche, il sistema sposta l'attenzione sulle direzioni in cui può ancora trovare informazioni affidabili, ignorando le direzioni in cui è smarrito. Se il degrado è misto, con alcuni sensori che falliscono e altri che faticano, il sistema ricalcola dinamicamente il peso della propria fiducia, facendo maggiore affidamento sul sensore che sta ancora funzionando bene.

L'innovazione più significativa avviene quando tutti i sensori esterni falliscono completamente. In scenari come una stanza piena di fumo denso o una tormenta, dove né occhi né laser possono vedere nulla, il sistema si rivolge a un modello interno appreso. Questo modello si basa su una Unità di Misura Inerziale (IMU), un piccolo chip all'interno del robot che misura accelerazione e rotazione. Storicamente, questi chip venivano trattati come strumenti secondari, usati solo per smussare i dati delle telecamere. I ricercatori, invece, hanno addestrato una rete di deep learning su oltre 100 ore di dati provenienti da robot diversi, insegnandole a prevedere il movimento puramente dai dati di movimento interni. Ciò ha permesso al robot di stimare la propria posizione anche quando non poteva vedere assolutamente nulla. Il sistema è progettato in modo che, quando i sensori esterni funzionano, essi insegnino e perfezionino costantemente questo modello interno. Ma quando il mondo esterno diventa invisibile, il modello interno prende il sopravvento, fornendo un supporto affidabile che mantiene il robot in movimento.

Per dimostrare questo concetto, i ricercatori hanno sottoposto il loro sistema a una serie rigorosa di test. Hanno guidato un robot quadripede attraverso un percorso continuo in un campus universitario che includeva più di 13 diversi tipi di condizioni difficili. Il robot ha navigato attraverso corridoi bui e privi di caratteristiche, scale ripide e aree con intenso rumore visivo come riflessi di luce e pareti bianche. Infine, il robot è entrato in una zona piena di fumo denso che ha completamente oscurato la sua visione e i suoi sensori laser. Durante l'intero tragitto di 2.966 metri, il sistema non ha mai fallito. Ha mantenuto un errore di posizione finale di soli 20 centimetri, con un tasso di deriva straordinariamente basso dello 0,006%. Questa prestazione è stata raggiunta senza utilizzare complessi trucchi di backend o attendere per correggere gli errori a posteriori; il sistema si correggeva da solo in tempo reale mentre si muoveva.

Il team ha anche testato la capacità del sistema di gestire improvvisi guasti ai sensori. In un esperimento, hanno fisicamente bloccato i sensori del robot con del cartone, coprendo prima il lato, poi il fronte e infine tutte le viste sia della telecamera che dello scanner laser. Il sistema ha rilevato questi blocchi istantaneamente e ha regolato la sua dipendenza dai sensori rimanenti. Quando la telecamera è stata bloccata, il sistema si è affidato allo scanner laser; quando il laser è stato bloccato, si è affidato alla telecamera. Quando entrambi sono stati bloccati, il modello di movimento interno appreso ha preso il comando. Il robot ha continuato a mappare l'ambiente circostante e a tracciare il proprio percorso con alta precisiono, dimostrando che il sistema può sopravvivere alla perdita totale della percezione esterna per periodi prolungati.

Ulteriore validazione è arrivata testando il sistema su diversi tipi di robot, dalle auto ai droni, fino a macchine quadripedi e dispositivi portatili. I ricercatori hanno scoperto che il modello di movimento interno da loro addestrato è altamente generalizzabile. Un modello addestrato su dati di molti tipi diversi di robot ha performato meglio dei modelli addestrati specificamente per un solo tipo di robot. Ciò significa che il sistema può essere implementato su un nuovo robot senza dover essere riaddestrato da zero. Ancora più impressionante, il sistema può adattarsi a un robot completamente nuovo in tempo reale. In un test che coinvolgeva un grande veicolo fuoristrada, il sistema ha utilizzato solo 60 secondi di dati per regolare il proprio modello interno, imparando i pattern di movimento specifici del nuovo veicolo e migliorando immediatamente la propria precisione.

I ricercatori hanno confrontato il loro metodo con le migliori tecnologie esistenti nel campo. Nei test standard riguardanti il degrado geometrico e misto, il loro sistema ha ottenuto un tasso di errore medio inferiore del 54% rispetto al secondo miglior metodo. Più importante ancora, mentre altri sistemi fallivano completamente nelle condizioni più estreme, come i test con fumo denso, Super Odometry ha continuato a funzionare. Lo studio ha esplicitamente escluso l'idea che aggiungere semplicemente più sensori o fare la media dei loro dati sia sufficiente per risolvere questi problemi. Al contrario, hanno dimostrato che un approccio rigido fallisce quando l'ambiente cambia, e che una strategia gerarchica e flessibile è necessaria per mantenere sicurezza e funzionalità.

Questo lavoro rappresenta un passo significativo verso la creazione di robot veramente autonomi nel mondo reale. Elevando il sensore di movimento interno a un ruolo primario e creando un sistema in grado di passare fluidamente tra diverse strategie in base alla gravità dell'ambiente, i ricercatori hanno costruito le fondamenta per robot capaci di operare in sicurezza in qualsiasi condizione. Che si tratti di un drone di soccorso che vola attraverso un edificio pieno di fumo, di un rover che esplora una caverna buia o di un veicolo che guida attraverso una tormenta di neve, questo sistema assicura che il robot non perda mai la strada. I risultati, raccolti in oltre 800 ore operative nell'arco di sei anni di sviluppo, suggeriscono che l'era dei robot fragili e dipendenti dall'ambiente stia giungendo al termine, sostituita da macchine capaci di adattarsi e sopravvivere ovunque vengano inviate.