Dynamic Neural Potential Field: Online Trajectory Optimization in the Presence of Moving Obstacles

1. Problema Abordado

O artigo foca no desafio de planejamento de trajetória local em tempo real para robôs móveis autônomos operando em ambientes humanos dinâmicos (como escritórios, lares e armazéns).

• Desafio Principal: A necessidade de evitar colisões com obstáculos em movimento (ex: pessoas caminhando) de forma segura e eficiente.
• Limitações das Abordagens Atuais:
  • MPC Numérico Clássico: Requer uma representação analítica do perigo de colisão (potenciais repulsivos). Em mapas de ocupação de alta resolução com obstáculos dinâmicos, a complexidade computacional explode devido ao grande número de parâmetros do obstáculo.
  • MPPI (Model Predictive Path Integral): Pode lidar com mapas arbitrários, mas sofre com soluções inválidas, "chattering" (oscilação) e alto custo computacional.
  • Previsão Explícita: Prever trajetórias futuras de obstáculos separadamente pode levar a erros de compounding (acúmulo de erro) e acoplamento complexo com a viabilidade do MPC.

O objetivo é desenvolver um framework que mantenha a estabilidade e transparência do planejamento baseado em modelo (MPC), mas utilize aprendizado de máquina para estimar apenas a parte difícil: o risco de colisão espaço-temporal.

2. Metodologia: NPField-GPT e Variantes

Os autores propõem o NPField-GPT (Dynamic Neural Potential Field), um framework de Controle Preditivo por Modelo (MPC) aprimorado por aprendizado. A ideia central é usar redes neurais para prever um horizonte de potenciais repulsivos diferenciáveis que são injetados diretamente na função de custo do MPC.

O sistema utiliza três arquiteturas neurais para equilibrar precisão e latência:

1. NPField-StaticMLP: Trata o ambiente dinâmico como uma sequência de mapas estáticos. Processa cada quadro individualmente. É o mais rápido, mas perde a coerência temporal.
2. NPField-DynamicMLP: Usa cabeças (heads) MLP paralelas para inferir potenciais futuros simultaneamente, condicionados ao estado do obstáculo dinâmico. Oferece um meio-termo, mas o acoplamento temporal entre os passos é fraco.
3. NPField-GPT (A Proposta Principal):
   • Utiliza uma arquitetura Transformer não-autorregressiva.
   • Em vez de prever passo a passo (t+1 baseado em t), o modelo prevê todo o horizonte de potenciais em uma única passagem (forward pass).
   • Mecanismo de Entrada: O contexto é construído com tokens que incluem:
     • Embedding do mapa de ocupação (via CNN e atenção espacial).
     • Embedding da "pegada" (footprint) do robô.
     • Estado do obstáculo dinâmico (posição $x, y$ e orientação $\theta$).
     • Tokens de consulta (query tokens) aprendíveis para cada passo do horizonte.
   • Vantagem: Captura dinâmicas espaço-temporais complexas e mantém a geometria relativa entre o robô e o obstáculo através de fusão de coordenadas explícita.

Integração com MPC:

• O modelo neural é integrado ao solver de otimização Acados usando a biblioteca L4CasADi.
• Isso permite que o potencial neural seja tratado como uma função de custo diferenciável dentro do programa de Programação Quadrática Sequencial (SQP) do MPC.
• O robô otimiza sua trajetória ($x_{opt}, u_{opt}$) minimizando o desvio do caminho de referência, o esforço de controle e o potencial repulsivo previsto pela rede.

3. Principais Contribuições

1. Framework NPField Dinâmico: Uma abordagem híbrida que aprende apenas o risco de colisão espaço-temporal, mantendo a otimização baseada em modelo.
2. Arquitetura NPField-GPT: Um novo design baseado em Transformer que prevê potenciais de horizonte em paralelo, melhorando significativamente a representação da dinâmica de obstáculos.
3. Comparação Abrangente: Avaliação extensa contra métodos de ponta como CIAO* (otimização de trajetória com aproximação geométrica) e MPPI.
4. Implementação Open-Source: Código disponível com integração L4CasADi, permitindo custos neurais diferenciáveis dentro do loop de controle MPC.
5. Validação em Cenários Reais: Testes em simulador (BenchMR) e em um robô físico Husky UGV em corredores de escritório.

4. Resultados Experimentais

Os experimentos foram realizados em 100 cenários dinâmicos e em um robô real. As métricas incluíram tempo de planejamento, comprimento do caminho, suavidade, ângulo-sobre-comprimento (AOL) e distância de segurança (mínimo SDF).

• Desempenho de Precisão e Segurança:
  • O NPField-GPT produziu as trajetórias mais seguras e eficientes (menor comprimento de caminho e maior distância de segurança).
  • Ele conseguiu manter limites de obstáculos bem definidos e evitou a fusão de obstáculos dinâmicos com paredes (problema observado no StaticMLP) ou limites difusos (DynamicMLP).
• Latência vs. Segurança:
  • StaticMLP foi o mais rápido (366 ms), mas com trajetórias menos seguras.
  • NPField-GPT teve maior tempo de computação (663 ms) devido ao Transformer, mas ainda dentro de limites aceitáveis para robôs móveis internos (replanejamento a 1-2 Hz).
  • CIAO* e MPPI tiveram desempenho inferior em segurança ou eficiência de caminho em comparação ao NPField-GPT.
• Escalabilidade: O método lida naturalmente com múltiplos obstáculos (2-5) através da superposição aditiva dos potenciais, sem necessidade de re-treinamento.

5. Significado e Conclusão

O trabalho demonstra que é possível integrar redes neurais profundas (Transformers) em loops de controle de tempo real (MPC) sem sacrificar a estabilidade da otimização.

• Inovação Chave: A capacidade de converter a saída de preditores de movimento (ou estados de obstáculos) em custos de otimização diferenciáveis diretamente, evitando a necessidade de prever trajetórias explícitas de obstáculos que podem falhar.
• Aplicabilidade: O sistema é viável para robôs de serviço em ambientes internos onde a segurança e a fluidez do movimento são críticas.
• Limitações: Como é um método baseado em aprendizado, não possui garantias teóricas de segurança absolutas (requer verificação de colisão antes da execução). Além disso, assume que a direção de movimento dos obstáculos é previsível ou constante.

Em resumo, o NPField-GPT representa um avanço significativo na robótica autônoma, unindo a robustez do controle predivo clássico com a capacidade de generalização e modelagem complexa das redes neurais modernas para navegação em ambientes dinâmicos.