Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

I robot mobili stanno trovando sempre più spazio nella nostra vita quotidiana, incaricati di consegnare pacchi, ispezionare infrastrutture o fornire assistenza alla mobilità per le persone che ne hanno bisogno. Affinché queste macchine possano muoversi in sicurezza attraverso i marciapiedi affollati e irregolari delle città, devono imparare a navigare proprio come gli esseri umani: osservando l'ambiente circostante e decidendo dove andare successivamente. Il modo più efficace per insegnare questa abilità a un robot è mostrargli migliaia di esempi di viaggi riusciti, un processo noto come raccolta di dati di navigazione. Tradizionalmente, raccogliere questi dati è stata un'impresa lenta e costosa, che richiedeva ai ricercatori di guidare fisicamente un robot attraverso i quartieri, registrando attentamente ogni svolta e ostacolo. Questo metodo limita la quantità di dati che possono essere raccolti e restringe la varietà di ambienti da cui un robot può imparare, poiché spostare attrezzature pesanti e specializzate in ogni nuova località è spesso impraticabile.

La sfida principale risiede nel trovare un modo per insegnare a un robot come muoversi senza utilizzare effettivamente il robot stesso. Se un essere umano potesse semplicemente percorrere un sentiero e avere quel percorso registrato, sarebbe molto più facile raccogliere le vaste quantità di informazioni necessarie per addestrare queste macchine. Tuttavia, una semplice camminata umana non è un sostituto perfetto. Le persone possono facilmente scavalcare i cordoli, salire le scale o infilarsi in spazi stretti che un robot con le ruote non potrebbe mai gestire. Se un robot impara da un essere umano che ha salito una rampa di scale, potrebbe tentare di fare lo stesso, portando a uno scontro. La soluzione richiede un metodo che catturi il movimento umano ma che impedisca fisicamente la raccolta di percorsi impossibili, garantendo che i dati riflettano ciò che una ruota può effettivamente fare.

I ricercatori della Northeastern University hanno introdotto un nuovo approccio chiamato Universal Navigation Interface, che risolve questo problema utilizzando un equipaggiamento comune: un deambulatore a quattro ruote. Questo dispositivo, spesso usato da persone che necessitano di stabilità mentre camminano, funge da filtro fisico per i dati. Quando una persona spinge il deambulatore, viene naturalmente guidata verso percorsi che sono sicuri per le ruote. Il deambulatore non può salire le scale, non può montare un cordolo non sceso e non può passare attraverso spazi troppo stretti. Questo vincolo fisico costringe l'operatore a scegliere rampe, scivoli per cordoli e passaggi larghi, influenzando efficacementmente la dimostrazione umana verso percorsi che siano fattibili per un robot con ruote. Il sistema è straordinariamente semplice ed economico, consistendo nel deambulatore stesso e in uno smartphone standard montato sul manubrio. Lo smartphone registra un flusso sincronizzato di dati visivi e spaziali, inclusi immagini a colori, informazioni sulla profondità e sensori di movimento, creando un ricco registro del viaggio.

Utilizzando questa configurazione, il team ha raccolto oltre trentasette chilometri di dati di navigazione in tre città diverse. Hanno camminato attraverso vari ambienti urbani, incontrando di tutto, dai marciapiedi bagnati alle zone di cantiere, fino a attraversamenti pedonali affollati e ascensori. Poiché il deambulatore impediva fisicamente agli operatori di tentare di salire le scale o attraversare cordoli non scesi, il dataset risultante è naturalmente privo di quei tipi di manovre impossibili che spesso affliggono altri dati raccolti dagli esseri umani. I ricercatori hanno poi elaborato queste registrazioni per estrarre traiettorie metriche precise, ovvero una mappa di dove esattamente il dispositivo si è mosso in distanze reali. Hanno utilizzato le informazioni sulla profondità dai sensori dello smartphone per ancorare i dati di movimento al mondo fisico, garantendo che le distanze fossero accurate e non solo stime relative.

Il vero test di questo metodo era se i dati potessero effettivamente insegnare a un robot come navigare meglio. I ricercatori hanno preso i modelli di navigazione esistenti, che sono i "cervelli software" che permettono ai robot di muoversi, e li hanno perfezionati utilizzando i nuovi dati raccolti con il deambulatore. I risultati sono stati significativi. Quando questi modelli sono stati testati su percorsi non visti, la loro capacità di prevedere la rotta corretta è migliorata di quasi il venticinque percento rispetto alle prestazioni precedenti. Questo miglioramento è stato confermato in tre diversi tipi di modelli di navigazione, suggerendo che il metodo sia robusto e ampiamente applicabile. Inoltre, i dati catturati includevano pause naturali, come attendere all'attraversamento pedonale o cedere il passo a un pedone, che vengono spesso filtrati in altri dataset ma che sono cruciali per un comportamento sicuro del robot. Quando i modelli sono stati addestrati a riconoscere questi momenti di sosta, la loro capacità di prevedere quando fermarsi è migliorata drasticamente, riducendo gli errori in quelle situazioni di oltre il sessanta percento.

Per dimostrare che questa conoscenza potesse trasferirsi da un semplice deambulatore a una macchina più complessa, il team ha testato i modelli addestrati su una carrozzina elettrica. In una serie di esperimenti a ciclo chiuso, la carrozzina è stata incaricata di avvicinarsi a ostacoli come cordoli non scesi e scale. Una versione del software che non era stata addestrata sui dati del deambulatore continuava ad avanzare, incapace di riconoscere la barriera, e avrebbe causato un incidente senza l'intervento umano. Al contrario, la carrozzina dotata del software addestrato con l'UNI è riuscita a fermarsi davanti agli ostacoli in quasi tutti i tentativi. Ha inoltre identificato correttamente e attraversato scivoli per cordoli sicuri senza esitazione. Ciò ha dimostrato che le lezioni apprese dal semplice deambulatore spinto da un essere umano potevano essere applicate direttamente a una piattaforma con ruote diversa e più complessa, anche se il dispositivo di raccolta e il robot bersaglio non erano gli stessi.

Lo studio conclude che un semplice e a basso costo proxy fisico può sostituire efficacemente le costose piattaforme robotiche per la raccolta di dati di navigazione. Utilizzando un deambulatore per vincolare le dimostrazioni umane, i ricercatori hanno creato un dataset che è sia ampio che fisicamente realistico per i robot con ruote. Questo approccio elimina la necessità di operare un robot durante la fase di raccolta dei dati, rendendo possibile raccogliere diversificati esempi di navigazione in molti più luoghi e in molte più condizioni di quanto fosse precedentemente fattibile. Sebbene il metodo non risolva ogni sfida nella navigazione robotica, fornisce un modo pratico e scalabile per insegnare ai robot come muoversi nel mondo, colmando il divario tra l'intuizione umana e la capacità delle macchine.