Hierarchical Diffusion Motion Planning with Task-Conditioned Uncertainty-Aware Priors

Hier volgt een gedetailleerde technische samenvatting van het paper "Hierarchical Diffusion Motion Planning with Task-Conditioned Uncertainty-Aware Priors" in het Nederlands.

Probleemstelling

Bestaande methoden voor bewegingsplanning met diffusiemodellen (diffusion models) in de robotica gebruiken doorgaans een standaard corruptieproces: isotroop (richtingsonafhankelijk) Gaussisch ruis met een gemiddelde van nul. De auteurs stellen dat dit de inherente structuur van robottrajecten negeert. In tegenstelling tot afbeeldingen of tekst, hebben robotbewegingen specifieke eigenschappen:

1. Temporale gladheid: Dynamische haalbaarheid vereist een consistente evolutie over tijd.
2. Taakgebonden structuur: Trajecten worden beïnvloed door externe voorwaarden zoals start- en doelpunten of fase-specifieke beperkingen (bijv. grijpen en loslaten).

Huidige benaderingen proberen deze structuur toe te voegen via conditionering of geleiding tijdens de inferentie, maar veranderen de onderliggende "corruptie" (het ruismodel) niet. Dit leidt vaak tot trajecten die minder glad zijn of minder succesvol de taak voltooien dan nodig is.

Methodologie

De auteurs stellen een hiërarchische diffusieplanner voor die taak- en bewegingsstructuur direct in het ruismodel (de "noise model") codeert. De aanpak bestaat uit twee niveaus:

1. Generalisatie van het Diffusieproces

In plaats van standaard isotroop ruis, introduceren de auteurs een vooringenomen, niet-isotroop Gaussisch corruptieproces.

• Het forward-proces wordt gedefinieerd als:
  $$\tau^i \sim \mathcal{N}(\sqrt{\bar{\alpha}_i}\tau^0 + (1-\sqrt{\bar{\alpha}_i})\xi, (1-\bar{\alpha}_i)K)$$
• Hierbij zijn $\xi$ (het gemiddelde) en $K$ (de covariantie) niet nul en identiek, maar taakafhankelijk. Ze worden afgeleid uit een Gaussian Process Motion Planning (GPMP) prior.
• Dit zorgt ervoor dat het ruisproces al tijdens het trainen en genereren de dynamische gladheid en taakbeperkingen respecteert.

2. Hiërarchische Architectuur

Het systeem splitst het probleem op in een boven- en een onderlaag:

• Bovenlaag (Upper Level): Sleuteltoestanden en Timing

  • Deze laag voorspelt een set van spare, taakgerichte sleuteltoestanden (key states) en hun bijbehorende tijdstippen.
  • Voorbeeld: Bij een blokstapeltaak zijn dit de toestanden bij het grijpen en loslaten; bij een doelpuntzoektaak zijn dit tussendoelen (waypoints).
  • Deze voorspellingen worden behandeld als "zachte observaties" met expliciete onzekerheid, in plaats van harde constraints.

• Onderlaag (Lower Level): Trajectgeneratie

  • De onderlaag genereert het volledige traject door een reverse diffusion uit te voeren onder een Gaussische prior die is geconditioneerd op de sleuteltoestanden van de bovenlaag.
  • De prior wordt geconstrueerd door een Lineair Tijd-Variërend (LTV) Gaussisch Proces te conditioneren op de voorspelde sleuteltoestanden ($Y$) en hun timing ($C$).
  • Dit resulteert in een posterior-verdeling $N(\xi, K)$ waarbij het gemiddelde $\xi$ de sleuteltoestanden interpoleert en de covariantie $K$ de tijdstappen koppelt.
  • Het trainingsdoel wordt een Mahalanobis-verlies (in plaats van standaard MSE), wat de fouten weegt op basis van de inverse van de taak-geconditioneerde covariantie. Dit dwingt het model om consistent te blijven met de dynamische koppeling en de onzekerheid van de sleuteltoestanden.

Belangrijkste Bijdragen

1. Hiërarchisch Diffusieplan: Een tweelaags systeem waarbij de bovenlaag sleuteltoestanden voorspelt en de onderlaag een traject genereert onder een GPMP-gebaseerde prior. Sleuteltoestanden fungeren als zachte ankers.
2. Taak-geconditioneerd Ruismodel: Een nieuwe formulering van het diffusieproces met niet-isotroop, taak-geconditioneerd Gaussisch ruis. Dit biedt gesloten-formule uitdrukkingen voor forward en posterior verdelingen, wat variational training mogelijk maakt met een Mahalanobis-verlies.
3. Verbeterde Efficiëntie en Kwaliteit: Experimenten tonen aan dat het structureren van het corruptieproces (in plaats van alleen conditionering) leidt tot snellere training, hogere succespercentages en gladder, dynamisch haalbaarere trajecten.

Resultaten

De methode is geëvalueerd op twee benchmarks: Maze2D (doelpuntzoekend) en KUKA blokstapelen (manipulatie).

• Succespercentages: Het voorgestelde model ("Hierarchical GPMP") presteerde aanzienlijk beter dan baselines (Diffuser, Diffuser + KeyCond, en EDMP).
  • Maze2D: 81/100 successen (vs. 48-56 voor baselines).
  • KUKA Stacking: 70/100 successen (vs. 28-34 voor baselines).
• Trajectkwaliteit:
  • Gladheid: Het model bereikte de "dataset-gemiddelde gladheid" (Average Roughness) veel eerder tijdens het trainen dan isotrope baselines.
  • Dynamische consistentie: In Maze2D toonde het model een veel lagere Mean Absolute Error (MAE) tussen de gegenereerde snelheden en de numerieke afgeleiden van de posities (0.0767 vs. >0.20 voor baselines), wat aangeeft dat de trajecten beter voldoen aan de dynamische eisen.
• Ablatiestudies: Het vergelijken met "Diffuser + KeyCond" (waarbij alleen conditionering wordt gebruikt zonder gestructureerd ruis) toonde aan dat de verbetering voornamelijk komt door het gestructureerde ruismodel zelf, niet alleen door de neurale conditionering.

Betekenis en Conclusie

Dit paper markeert een verschuiving in hoe diffusiemodellen voor robotica worden ontworpen. In plaats van alleen te vertrouwen op conditionering tijdens de inferentie, bepaalt de auteurs de structuur van het generatieve proces zelf door de corruptie te laten corresponderen met fysieke en taakspecifieke beperkingen.

• Voordeel: Het concentreert de waarschijnlijkheidsmassa van het model direct op haalbare en semantisch zinvolle trajecten, wat de noodzaak voor post-hoc projectie of afwijzing van samples elimineert.
• Toekomst: De aanpak is flexibel en kan worden toegepast op complexere systemen (zoals humanoids) en kan worden gecombineerd met geavanceerdere taakbeschrijvers (bijv. Vision-Language Models) in de bovenlaag.

Kortom, door de "ruis" slim te maken in plaats van willekeurig, wordt de bewegingsplanning aanzienlijk efficiënter en robuuster.