💻 computer science

Online Structure Learning and Planning for Autonomous Robot Navigation using Active Inference

Questo articolo introduce AIMAPP, un framework auto-supervisionato e compatibile con ROS che unifica la mappatura, la localizzazione e la pianificazione online per robot autonomi in ambienti sconosciuti, sfruttando l'Inferenza Attiva per costruire dinamicamente mappe topologiche sparse e bilanciare l'esplorazione con la navigazione orientata agli obiettivi senza fare affidamento su mappe predefinite o pre-addestramento.

Autori originali: Daria de Tinguy, Tim Verbelen, Emilio Gamba, Bart Dhoedt

Pubblicato 2026-07-08

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Daria de Tinguy, Tim Verbelen, Emilio Gamba, Bart Dhoedt

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate un robot lasciato cadere in un edificio nuovo e sconosciuto. Non ha planimetrie, non ha il GPS e non c'è nessuno che possa dirgli dove andare. La maggior parte dei robot si confonderebbe, sbatterebbe contro i muri o rimarrebbe intrappolata in cicli infiniti.

Questo articolo presenta un nuovo modo per far navigare i robot chiamato AIMAPP. Pensate ad AIMAPP non come a un robot con una mappa pre-programmata, ma come a un robot con un cervello curioso e adattivo, ispirato al modo in cui gli animali (come i ratti o gli esseri umani) navigano nel mondo.

Ecco come funziona, suddiviso in concetti semplici:

1. Lo "Schizzo Mentale" (Mappa Topologica)

Invece di cercare di costruire un modello 3D perfetto, pixel per pixel, dell'intero edificio (che è come cercare di disegnare ogni singolo mattone di un muro), AIMAPP costruisce uno schizzo mentale.

L'Analogia: Immaginate di camminare in una nuova città. Non memorizzate ogni centimeto quadrato del marciapiede. Invece, ricordate punti di riferimento chiave: "Il bar", "Il parco", "La biblioteca". Li collegate con delle linee nella vostra mente: "Se cammino dritto dal bar, arrivo al parco".
Come fa il Robot: Il robot crea una "mappa topologica". Tratta i luoghi distinti come "nodi" (punti) e i percorsi tra di essi come "collegamenti" (linee). Mentre esplora, aggiunge nuovi punti al suo schizzo. Non ha bisogno di conoscere la distanza metrica esatta al millimetro; deve solo sapere che "questo posto è collegato a quel posto".

2. L' "Esploratore Curioso" vs lo "Ricercatore di Obiettivi"

Il robot ha due spinte contrastanti, ma non ha bisogno che un essere umano gli dica quale scegliere. Le bilancia automaticamente usando un concetto chiamato Energia Libera Attesa (Expected Free Energy).

L'Analogia: Pensate a un cane in un parco.
- Curiosità (Esplorazione): Il cane sente l'odore di un cespuglio strano e vuole investigare per vedere cosa c'è lì (riducendo l'incertezza).
- Obiettivo (Sfruttamento): Il cane vede il suo padrone che lo chiama e vuole correre dritto verso di lui (raggiungendo una preferenza).
Come fa il Robot: AIMAPP calcola un punteggio unico per ogni possibile mossa. Se il robot è perso, il punteggio di "curiosità" è alto, quindi va a esplorare. Se sa dove si trova l'obiettivo, il punteggio dell' "obiettivo" è alto, quindi ci va. Passa da una modalità all'altra senza problemi, senza che un umano debba premere un pulsante.

3. Imparare "al volo" (Nessun Pre-addestramento)

Molti robot moderni devono essere addestrati per mesi su migliaia di ore di video prima di poter lavorare. AIMAPP è diverso.

L'Analogia: Immaginate un turista che arriva in un paese straniero. Non ha una guida. Impara la disposizione dei luoghi camminando, perdendosi e realizzando: "Oh, quell'edificio rosso è lo stesso che ho visto prima".
Come fa il Robot: Il robot parte con conoscenza zero. Mentre si muove, confronta ciò che pensa vedrà con ciò che effettivamente vede.
- Se vede qualcosa di nuovo, aggiunge un nuovo "punto" alla sua mappa.
- Se vede qualcosa di familiare, aggiorna la sua convinzione su dove si trova.
- Impara le regole dell'ambiente (come "girare a sinistra qui porta a un vicolo cieco") semplicemente provando e sbagliando, poi correggendosi.

4. Gestire il "Drift" (L'Odometro Traballante)

I robot spesso usano sensori sulle ruote per stimare quanto si sono mossi. Ma su un tappeto o sulla sabbia, le ruote slittano e il robot pensa di aver percorso 1 metro quando in realtà ne ha percorso 2. Questo si chiama "drift" (deriva).

L'Analogia: Immaginate di camminare con gli occhi chiusi. Contate i passi per indovinare dove vi trovate. Se scivolate su un tappeto, il conteggio dei passi è errato. Ma se aprite gli occhi e vedete un punto di riferimento familiare (come un quadro specifico), sapete istantaneamente: "Ah, sono qui, non dove diceva il mio conteggio dei passi".
Come fa il Robot: AIMAPP si affida più al riconoscimento visivo che ai sensori delle ruote. Se le ruote dicono al robot che si trova in un corridoio, ma la sua telecamera vede una cucina, il robot si fida della telecamera. Corregge la sua mappa interna basandosi su ciò che vede, non solo su ciò che sente. Questo lo rende molto robusto in ambienti disordinati come parcheggi sabbiosi o stanze con tappeti dove altri robot falliscono.

5. I Risultati: Com'è andata?

I ricercatori hanno testato AIMAPP sia in simulazioni al computer che in contesti reali (magazzini, case e persino un parcheggio sabbioso).

Efficienza: Ha esplorato le aree quasi con la stessa efficienza di un essere umano che cammina nello stesso spazio con una mappa in mano.
Robustezza: In un grande magazzino, ha gestito ostacoli in movimento e pavimenti scivolosi meglio di altri robot avanzati che si affidano a mappe precise.
Fallimento: È rimasto incastrato occasionalmente se la mappa interna del robot diventava troppo "disordinata" (ad esempio, se il robot aveva subito un drift tale da pensare di essere in un posto nuovo quando in realtà era in uno vecchio), ma si è ripreso molto meglio rispetto ai robot standard.

Riassunto

AIMAPP è un sistema di navigazione che tratta un robot come un animale curioso. Invece di seguire uno script rigido o una mappa pre-caricata, costruisce uno schizzo mentale del mondo mentre procede, bilancia il desiderio di esplorare con quello di raggiungere un obiettivo e corregge costantemente la propria posizione riconoscendo immagini familiari. Funziona senza addestramento preventivo, rendendolo pronto per essere lasciato in qualsiasi nuovo ambiente e iniziare a capire come muoversi immediatamente.

Riepilogo Tecnico: Apprendimento Strutturale Online e Pianificazione per la Navigazione di Robot Autonomi tramite Inferenza Attiva

Definizione del Problema

I robot mobili autonomi che operano in ambienti sconosciuti affrontano la sfida di localizzare, mappare e pianificare simultaneamente senza fare affidamento su mappe predefinite, estesi addestramenti offline o supervisione umana. Gli approoli esistenti spesso soffrono di specifici compromessi:

I sistemi di SLAM metrici (ad es., ORB-SLAM3, FAST-LIO2) forniscono una stima accurata della posa, ma sono soggetti a deriva in ambienti ampi o non strutturati e mancano di politiche di esplorazione intrinseche.
I pianificatori di percorso spesso comportano elevati costi computazionali o si affidano a euristiche avide (ad es., esplorazione basata sui frontieri) che producono ridondanti ritorni sui propri passi.
Gli approcci basati sull'apprendimento (ad es., Neural-SLAM, ViKiNG, NoMaD) migliorano la flessibilità, ma tipicamente richiedono estesi dati raccolti offline, pre-addestramento o dimostrazioni teleoperate nell'ambiente target, limitando l'adattabilità a contesti genuinamente nuovi.

La sfida centrale affrontata è la creazione di un sistema unificato che esegua l'apprendimento strutturale online e la pianificazione in modo completamente auto-supervisionato, resiliente al rumore dei sensori, alla deriva odometrica e ai cambiamenti ambientali, senza richiedere pre-addestramento o prior hand-engineered.

Metodologia: Framework AIMAPP

Gli autori propongono AIMAPP (Active Inference MAPping and Planning), un framework che unifica mappatura, localizzazione e processo decisionale all'interno di un singolo modello generativo basato sul framework dell'Inferenza Attiva (AIF).

1. Rappresentazione dello Stato e Mappatura Cognitiva

AIMAPP mantiene una mappa topologica sparsa dove lo stato latente è decomposto in due componenti:

$s_t$ (Stato Discreto): Un indice topologico che rappresenta un nodo distinto nel grafo (un "luogo").
$p_t$ (Posizione Metrica Continua): Coordinate metriche 2D locali utilizzate per il ragionamento spaziale.
Questa decomposizione rispecchia i sistemi di navigazione biologici (separando l'identità delle cellule di luogo dall'integrazione del percorso delle cellule di griglia). La mappa cresce in modo adattivo; nuovi nodi vengono creati quando le predizioni di movimento superano il "raggio di influenza" degli stati esistenti, determinato dai confronti dell'energia libera. Le osservazioni sono memorizzate come immagini panoramiche a 360° (o dati sensoriali astratti) associati ai nodi.

2. Modello Generativo e Inferenza

Il sistema opera come un Processo Decisionale di Markov Parzialmente Osservabile (POMDP). Il modello generativo include:

Transizioni di stato ( $B_s$ ): Probabilità di muoversi tra stati topologici.
Transizioni di posizione ( $B_p$ ): Probabilità di muoversi tra posizioni metriche.
Verosimiglianze di osservazione ( $A_o$ ): Probabilità di osservare un panorama specifico a un dato stato.
Verosimiglianze di posizione ( $A_p$ ): Probabilità di occupare una posizione metrica a un dato stato.

La localizzazione è guidata dalla credenza (belief-driven). L'agente inferisce il proprio stato corrente minimizzando l'Energia Libera Variazionale (VFE), combinando il movimento previsto con l'evidenza sensoriale. Ciò consente al sistema di rimanere robusto alla deriva odometrica; se si verifica una deriva, l'agente dà priorità alla coerenza tra gli esiti previsti e quelli osservati, rilocalizzandosi cercando osservazioni familiari piuttosto che fare affidamento esclusivamente sull'odometria grezza.

3. Pianificazione e Processo Decisionale

La selezione dell'azione è guidata dalla minimizzazione dell'Energia Libera Attesa (EFE) ( $G$ ). A differenza del tradizionale apprendimento per rinforzo dove esplorazione e sfruttamento sono obiettivi separati, AIMAPP deriva entrambi dallo stesso termine EFE:

Valore Epistemico (Esplorazione): Guadagno di informazione atteso per ridurre l'incertezza sull'ambiente (stati e parametri).
Valore Pragmatico (Sfruttamento): Allineamento atteso con le osservazioni preferite (ad es., raggiungere un obiettivo o evitare collisioni).

I candidati per le policy vengono valutati utilizzando la Ricerca in Albero Monte Carlo (MCTS) per gestire la complessità combinatoria degli spazi di azione. L'EFE per una policy $\pi$ è decomposto in termini che rappresentano il guadagno di informazione su stati/parametri, l'evitamento atteso delle collisioni e i termini di utilità per osservazioni, posizioni e stati.

4. Apprendimento Online ed Espansione della Mappa

Il sistema aggiorna continuamente i suoi parametri interni. L'espansione della mappa è innescata quando un "modello espanso" (che incorpora un nuovo stato) produce un'energia libera inferiore ( $\Delta F < 0$ ) rispetto al modello corrente. I modelli di transizione ( $B_s$ ) e le verosimiglianze di osservazione ( $A_o$ ) vengono aggiornati utilizzando pseudo-conteggi di Dirichlet basati sulle transizioni esperite rispetto a quelle previste, permettendo all'agente di affinare il proprio modello del mondo attraverso il feedback sensomotorio senza pre-addestramento.

Contributi Chiave

Framework di Inferenza Attiva Unificato: AIMAPP integra mappatura, localizzazione e pianificazione in un unico modello generativo, eliminando la necessità di moduli separati o arbitraggi manuali tra esplorazione e raggiungimento dell'obiettivo.
Apprendimento Online Completamente Auto-Supervisionato: L'agente costruisce e affina la propria mappa topologica dalla prima interazione senza pre-addestramento, raccolta di dati offline o dimostrazioni teleoperate.
Robustezza a Deriva e Rumore: Dando priorità alla coerenza delle credenze rispetto all'odometria grezza, il sistema tollera la deriva dei sensori e opera in ambienti con aliasing percettivo e cambiamenti moderati.
Modularità e Agnosticismo: L'architettura è agnostica rispetto ai sensori (supporta RGB, profondità, LiDAR) e alla piattaforma (compatibile con ROS), separando lo strato cognitivo dal controllo della percezione e del movimento.
Valutazione Scalabile: Il sistema è valutato in ambienti fino a 325 m² (reali e simulati), una scala precedentemente non affrontata dai sistemi di navigazione basati su Inferenza Attiva.

Risultati Sperimentali

Gli autori hanno valutato AIMAPP rispetto a baseline allo stato dell'arte (basate sui frontieri, GBPlanner, FAEL) e alla teleoperazione umana in quattro ambienti simulati e tre ambienti reali.

Efficienza di Esplorazione: Negli ambienti simulati, AIMAPP ha raggiunto un'efficienza di copertura comparabile o superiore ai metodi allo stato dell'arte (FAEL, GBPlanner). Nello specifico, ha raggiunto il 90,3% dell'efficienza di copertura della teleoperazione umana in media. Nei test nel mondo reale, AIMAPP ha superato costantemente l'esplorazione basata sui frontieri in termini di velocità di copertura e tasso di successo.
Robustezza: AIMAPP è riuscito a operare in condizioni in cui le baseline basate sull'odometria (ad es., Frontiers con Nav2) hanno fallito, come parcheggi sabbiosi e pavimenti con moquette con significativa deriva. Ha dimostrato resilienza agli ostacoli spostati in simulazione e al rumore dei sensori in contesti reali.
Raggiungimento dell'Obiettivo: Il sistema ha ottenuto prestazioni di raggiungimento dell'obiettivo entro il 74% delle prestazioni della teleoperazione umana in tutti gli ambienti testati senza ri-sintonizzazione specifica del compito.
Tassi di Successo: AIMAPP ha ottenuto un tasso di successo del 79% nell'ottenere cinque prove di esplorazione andate a buon fine per ambiente, superando i Frontiers (52%) e FAEL (48%), sebbene leggermente al di sotto di GBPlanner (87%). I fallimenti sono stati attribuiti principalmente a sovrapposizioni di mappe irrecuperabili dovute a una deriva severa in aree ampie non esplorate o a collisioni fisiche con ostacoli non rilevati.

Significato e Rivendicazioni

L'articolo sostiene che AIMAPP dimostra che l'Inferenza Attiva, originariamente una teoria della neuroscienza computazionale, può essere adattata con successo in una strategia di navigazione modulare e robusta per robot reali. Il significato risiede nel trattare la navigazione come test di ipotesi: le predizioni sugli stati futuri vengono generate, valutate attraverso l'azione e riviste in base alla "sorpresa" (errore di predizione).

Gli autori sottolineano che AIMAPP offre una soluzione modulare e auto-supervisionata per la navigazione scalabile in contesti non strutturati. Unificando l'esplorazione e il raggiungimento dell'obiettivo all'interno di un unico obiettivo (minimizzazione dell'Energia Libera Attesa), il sistema evita la necessità di sintonizzazione specifica per il compito o di conoscenze preesistenti dell'ambiente. Il lavoro rappresenta un passo verso agenti autonomi capaci di scoprire la struttura del proprio ambiente dalla prima interazione, operando efficacemente in spazi dinamici, non strutturati e sconosciuti dove la mappatura metrica tradizionale o i modelli di apprendimento pre-addestrati faticano.