I robot, le auto autonome e le astronavi condividono una sfida fondamentale: devono spostarsi da un luogo all'altro rispettando le leggi della fisica ed evitando ostacoli. Per farlo, si affidano a un processo matematico chiamato ottimizzazione della traiettoria, che funge da navigatore super-potenziato. Questo navigatore calcola costantemente il percorso migliore testando innumerevoli variazioni di velocità e direzione, cercando la rotta che utilizzi la minor quantità di energia o tempo. Quando il mondo è semplice e prevedibile, gli strumenti matematici standard possono risolvere questo enigma perfettamente. Ma il mondo reale è disordinato. I robot hanno giunti complessi, le auto scivolano su strade bagnate e le astronavi devono schivare detriti. In queste situazioni, la matematica diventa non lineare e difficile, richiedendo al computer di fare una serie di ipotesi istruite, perfezionarle e ripetere il processo finché non trova una soluzione che funzioni. Questo processo iterativo è l'ossatura della moderna pianificazione del movimento, permettendo alle macchine di eseguire compiti delicati come l'assemblaggio di parti o l'atterraggio su altri pianeti.

Tuttavia, man mano che queste macchine diventano più capaci, viene chiesto loro di operare sotto regole più rigide. Un braccio robotico potrebbe dover evitare di colpire una mano umana, o un drone potrebbe dover rimanere all'interno di un corridoio stretto. Per far rispettare queste regole, i computer aggiungono pesanti penalità ai loro calcoli ogni volta che un percorso rischia di violare un vincolo. Sebbene ciò costringa il robot a obbedire, crea anche un pericolo nascosto: i numeri che il computer usa per trovare il percorso possono diventare così drasticamente diversi in termini di grandezza che la macchina perde la capacità di distinguerli. È come cercare di misurare la larghezza di un singolo capello stando accanto a una montagna; il piccolo dettaglio si perde nel rumore della scala massiccia. Quando ciò accade, i calcoli del computer diventano instabili e il robot può fallire nel trovare un percorso, o peggio, calcolare un percorso che sembra perfetto sulla carta ma che è fisicamente impossibile.

In uno studio recente, i ricercatori Maximilian Haas-Heger e Jur van den Berg di Waabi Innovation Inc. hanno affrontato questo problema di instabilità numerica. Si sono concentrati su un algoritmo specifico noto come Regolatore Lineare Quadratico iterativo, o iLQR, ampiamente utilizzato per pianificare questi percorsi complessi. Il team ha scoperto che cambiando il modo in cui l'algoritmo gestisce la sua matematica interna, potevano renderlo significativamente più robusto senza rallentarlo. Il loro lavoro si concentra su una tecnica chiamata formulazione "radice quadrata". Nella computazione standard, l'algoritmo tiene traccia di una grande tabella di numeri che rappresenta il costo di ogni possibile mossa. Quando i vincoli sono stretti, questa tabella diventa difficile da leggere. I ricercatori si sono resi conto che, invece di tracciare l'intera tabella, l'algoritmo poteva tracciare una versione triangolare più semplice, molto simile a tenere traccia solo degli ingredienti essenziali di una ricetta piuttosto che dell'intera dispensa.

La chiave del loro successo risiede nel modo in cui hanno semplificato il problema. Hanno trattato l'obiettivo del robot come una somma ponderata di errori, simile a come un fotografo potrebbe concentrarsi sul minimizzare la sfocatura in una foto regolando impostazioni specifiche. Utilizzando un metodo noto come Gauss-Newton, che approssima curve complesse con linee rette, hanno garantito che la struttura matematica del problema rimanesse stabile. Ciò ha permesso loro di sostituire i calcoli pesanti e instabili con un'operazione più leggera e precisa chiamata decomposizione QR. Considera questa operazione come un modo per organizzare un mucchio disordinato di dati in una pila ordinata e precisa dove ogni pezzo si incastra perfettamente senza lacune o sovrapposizioni. Questo nuovo approccio permette al computer di mantenere la sua precisione anche quando la penalità per la violazione di una regola diventa enorme.

I ricercatori hanno testato il loro nuovo metodo su uno scenario impegnativo che coinvolgeva due bracci robotici che lavorano insieme per trasportare un oggetto rigido. I bracci dovevano spostare l'oggetto da un punto di partenza a un obiettivo mantenendo le loro prese a una distanza fissa l'una dall'altra, un vincolo che richiedeva al computer di bilanciare molteplici richieste contrastanti. Hanno eseguito simulazioni in cui la penalità per la violazione di questa regola di distanza veniva aumentata a livelli estremi, ben oltre ciò che un computer standard normalmente gestirebbe. In questi test, il metodo tradizionale ha iniziato a fallire, perdendo accuratezza e finendo per produrre risultati privi di senso man mano che la penalità cresceva. Il nuovo metodo della radice quadrata, invece, ha tenuto testa. Ha continuato a produrre percorsi accurati anche quando la penalità era così grande che il metodo standard era completamente crollato. Infatti, il nuovo approccio ha mantenuto sei o sette cifre significative di accuratezza nell'aritmetica standard del computer, laddove il vecchio metodo ne aveva perse quasi tutte.

Questo miglioramento non è solo una vittoria teorica; si traduce direttamente in affidabilità per le macchine del mondo reale. Lo studio ha dimostrato che il nuovo metodo può guidare il processo di ottimizzazione molto più avanti, permettendo ai robot di soddisfare i vincoli con un livello di rigore che era precedentemente impossibile. Mentre il metodo standard potrebbe arrendersi quando gli viene chiesta una precisione di una parte su un milione, il nuovo metodo può spingere quella precisione a una parte su cento miliardi. I ricercatori hanno osservato che questo guadagno in precisione arriva con quasi nessun costo aggiuntivo in termini di tempo di calcolo, aggiungendo meno del tre per cento al tempo totale richiesto per risolvere un problema. Ciò significa che gli ingegneri possono usare il nuovo metodo come un sostituto diretto di quello vecchio, rendendo istantaneamente i loro robot più capaci di gestire compiti difficili e ad alto rischio.

Il documento affronta anche il motivo per cui questo specifico miglioramento non è stato ampiamente adottato in precedenza. Sebbene tecniche simili di "radice quadrata" siano state utilizzate per decenni in sistemi di navigazione come il filtro di Kalman, sono state più difficili da applicare all'ottimizzazione della traiettoria perché la matematica è più complessa. I tentativi precedenti di creare una versione a radice quadrata di iLQR erano o troppo complicati da usare o numericamente inferiori. Gli autori sostengono che il loro approccio sia diverso perché sfrutta la struttura specifica del problema per semplificare la matematica, riducendo ogni passaggio a un'unica, elegante operazione. Suggeriscono che per qualsiasi robot che pianifica un percorso sotto vincoli stretti, non c'è motivo di non utilizzare questo metodo più stabile, proprio come gli ingegneri non sceglierebbero un sistema di navigazione instabile per un'astronave.

In definitiva, il lavoro dimostra che i limiti del movimento dei robot sono spesso definiti non dalle leggi della fisica, ma dai limiti della capacità del computer di calcolarle. Perfezionando il modo in cui queste operazioni vengono eseguite, i ricercatori hanno rimosso una barriera significativa, permettendo alle macchine di navigare in ambienti più complessi e pericolosi con maggiore fiducia. Lo studio conferma che con gli strumenti matematici corretti, possiamo spingere i confini di ciò che i sistemi autonomi possono raggiungere, garantendo che rimangano precisi e affidabili anche quando la posta in gioco è più alta.