Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion

Resumo Técnico: Warm-Starting de Controle Preditivo de Modelo Livre de Colisões com Difusão Centrada em Objetos

Declaração do Problema
A manipulação robótica em ambientes obstruídos e não convexos requer a geração de movimentos que sejam simultaneamente livres de colisões e dinamicamente viáveis. Embora a otimização de trajetórias clássica e o Controle Preditivo de Modelo (MPC) possam impor restrições físicas, eles são altamente sensíveis à inicialização e frequentemente convergem para mínimos locais em cenas complexas. Por outro conjunto, abordagens baseadas em aprendizado, particularmente modelos de difusão, são excelentes em capturar a distribuição multimodal de trajetórias viáveis, mas historicamente carecem de um mecanismo geral e eficiente para condicionamento à estrutura da cena. Além disso, métodos baseados em difusão anteriores frequentemente geram trajetórias de mal aberto (open-loop) que falham em impor rigorosamente a viabilidade dinâmica ou as restrições de segurança quando implantados em hardware físico.

Metodologia
Os autores propõem uma estrutura híbrida de dois estágios que combina um modelo de difusão condicional para geração de trajetórias com um resolvedor de MPC baseado em restrições para refinamento. A arquitetura consiste em três componentes integrados:

1. Representação de Cena Centrada em Objetos: Para condicionar o modelo de difusão ao ambiente, o artigo introduz um codificador baseado em Slot Attention. Este módulo processa imagens RGB de visão única do espaço de trabalho para extrair um conjunto compacto de "slots" latentes, cada um representando um objeto ou obstáculo distinto. Esta representação de cena centrada em objetos fornece um sinal de condicionamento invariante à permutação e de baixa dimensão que captura a geometria essencial de colisão sem a alta dimensionalidade de nuvens de pontos ou imagens brutas.
2. Warm-Start de Difusão Condicional: Um Transformer de Difusão (DiT) é treinado para denotar uma sequência de trajetória condicionada ao estado inicial do robô, à posição alvo do efetuador final e à representação de slot latente da cena. O modelo aprende um prior sobre sequências de movimento viáveis, gerando um conjunto diversificado de propostas de trajetória que navegam ao redor de obstáculos.
3. Refinamento por MPC via Controle Ótimo: A trajetória amostrada do modelo de difusão serve como um "warm-start" para um resolvedor de MPC de horizonte recorrente. O resolvedor formula um Problema de Controle Ótimo (OCP) que minimiza uma função de custo composta por rastreamento de objetivo, regularização de estado (penalizando o desvio do prior de difusão) e esforço de controle. Crucialmente, o OCP impõe restrições rígidas, incluindo dinâmica de corpo rígido e desvio de colisão por distância assinada. Esta etapa projeta o prior generativo em uma trajetória dinamicamente viável e estritamente livre de colisões em tempo real.

Principais Contribuições

• Arquitetura Híbrida: O artigo demonstra que o acoplamento de priors de difusão centrados em objetos com MPC de dinâmica total produz geração de movimento confiável sob limites de tempo estritos, superando a sensibilidade de inicialização da otimização pura e as limitações de segurança dos métodos puramente baseados em aprendizado.
• Condicionamento Centrado em Objetos: Os autores propõem e validam um mecanismo de Slot Attention para codificação de cena, mostrando que ele fornece um sinal de condicionamento mais compacto e generalizável em comparação com representações baseadas em imagem, grade de ocupação ou espaço de configuração.
• Controle de Mal Fechado em Tempo Real: Diferente de trabalhos anteriores que geram trajetórias de mal aberto rastreadas por controladores de baixo nível, esta abordagem realiza o replanejamento de mal fechado em um robô físico, impondo rigorosamente restrições dinâmicas e de segurança a 100 Hz.
• Geração Sistemática de Dados: Uma pipeline é introduzida para gerar dados de treinamento de alta qualidade combinando planejamento baseado em amostragem (RRT) com otimização de trajetória restrita para produzir trajetórias de especialistas suaves e viáveis.

Resultos Experimentais
O método foi avaliado em um braço robótico Franka Emika Panda através de três ambientes de teste (mesa, gaveta e prateleira) com configurações de obstáculos variadas.

• Desempenho: O método proposto alcançou taxas de sucesso de 82%, 79% e 83% nos três ambientes, superando significativamente os baselines de OCP puro (<10% de sucesso) e outros métodos baseados em aprendizado como o Motion-Planning Diffusion (MPD). Também superou planejadores clássicos (RRT-Connect, cuRobo) e o baseline de difusão PRESTO em termos de custo de trajetória e tempo de computação.
• Latência: O sistema opera com um tempo de execução inferior a 72 ms, tornando-o adequado para controle em tempo real.
• Estudos de Ablação: Experimentos confirmaram que a representação de Slot Attention supera o condicionamento baseado em imagem e em grade de ocupação, particularmente em regimes de baixa computação. Adicionalmente, o estudo descobriu que o direcionamento por gradiente de custo durante o processo de difusão oferecia retornos decrescentes quando o refinamento por OCP estava presente, levando à sua omissão na pipeline final.
• Validação em Robô Físico: Experimentos no robô físico confirmaram a capacidade do sistema de evitar reativamente obstáculos detectados via AprilTags e reotimizar movimentos quando obstáculos eram removidos dinamicamente.

Significância
O artigo afirma que esta abordagem estabelece uma pipeline completa de robótica capaz de desempenho robusto em robôs físicos em ambientes obstruídos e não convexos. Ao aproveitar o raciocínio global dos modelos de difusão para guiar a otimização local do MPC, o método alcança um equilíbrio de segurança, eficiência e taxa de sucesso que nenhum dos componentes conseguiria alcançar sozinho. O trabalho destaca a viabilidade prática de combinar priors generativos com controle baseado em modelo para manipulação consciente de colisões, oferecendo uma solução que é simultaneamente eficiente computacionalmente e estritamente em conformidade com as restrições de segurança física.