NeuroMesh: A Unified Neural Inference Framework for Decentralized Multi-Robot Collaboration

Resumo Técnico: NeuroMesh

1. O Problema

A implementação de modelos de aprendizado de máquina para colaboração multi-robô em sistemas do mundo real enfrenta barreiras significativas. As principais dificuldades incluem:

• Heterogeneidade de Hardware: A necessidade de rodar modelos em robôs com capacidades computacionais distintas (ex: CPUs vs. GPUs, diferentes arquiteturas).
• Restrições de Comunicação: A dificuldade de manter baixa latência e alta confiabilidade em redes descentralizadas, especialmente com grandes volumes de dados (como nuvens de pontos ou imagens).
• Falta de uma Pilha de Execução Unificada: A maioria das pesquisas anteriores foca em tarefas específicas ou simulações, sem fornecer uma infraestrutura reutilizável que integre percepção, controle e tomada de decisão em um único stack de execução compatível com robôs físicos heterogêneos.

2. Metodologia

O NeuroMesh é apresentado como um framework de inferência neural descentralizado, multi-domínio e modular. Ele padroniza o processo de colaboração em quatro estágios principais:

1. Codificação da Observação (Observation Encoding): Cada robô codifica suas observações locais (imagens, nuvens de pontos, poses) em tensores de características.
2. Troca de Mensagens (Message Passing): Os robôs trocam informações com seus vizinhos dentro do alcance de comunicação.
3. Agregação (Aggregation): Cada agente agrega as informações recebidas para atualizar seu tensor de características.
4. Decodificação da Tarefa (Task Output Decoding): O tensor atualizado é decodificado para gerar a saída da tarefa (ex: profundidade, comandos de controle, atribuição de tarefas).

Inovações Arquiteturais Chave:

• Paradigma de Dupla Agregação: O framework unifica dois modos de agregação para atender a diferentes necessidades:
  • Redução (Reduction): Para tarefas de controle e consenso (ex: média de características), preservando a eficiência.
  • Transmissão (Broadcast): Para tarefas de percepção densa (ex: segmentação semântica, estimativa de profundidade), onde a informação relacional entre pares de robôs é crucial. Isso evita a perda de informações geométricas complexas.
• Pipeline Paralelo: Para desacoplar o tempo de ciclo do tempo de latência total, o sistema executa três componentes (Codificador, Agregador, Decodificador) em paralelo. O tempo de ciclo do sistema é determinado pelo estágio mais lento, não pela soma de todos os estágios, aumentando significativamente a taxa de transferência (throughput).
• Implementação de Alto Desempenho: Escrito em C++ e integrado ao ROS 2. Utiliza TensorRT (para NVIDIA) e ONNX Runtime (para outras plataformas) para aceleração de inferência. Para comunicação, utiliza o protocolo Zenoh (em modo peer-to-peer ou roteador), que superou as implementações nativas do ROS 2 (Fast RTPS, CycloneDDS) em redes de malha descentralizadas.

3. Principais Contribuições

• Multi-Domínio: Unifica problemas de percepção densa (alto volume de dados) e controle/atribuição de tarefas (mensagens compactas) em uma única formulação matemática e de software.
• Cross-Platform (Multi-Plataforma): Suporta execução híbrida em CPU e GPU, permitindo a implantação em robôs aéreos e terrestres com hardware diverso.
• Modularidade: Arquitetura de microserviços "plug-and-play". Os codificadores, agregadores e decodificadores podem variar de mapeamentos de identidade a redes profundas complexas, reutilizando o mesmo pipeline de execução.
• Eficiência: Implementação otimizada em C++ com suporte a inferência acelerada e protocolos de comunicação robustos para redes sem fio descentralizadas.

4. Resultados e Validação

O framework foi validado em uma equipe heterogênea de robôs (aéreos e terrestres) em três cenários distintos:

• A. Percepção Colaborativa:
  • Estimativa de Profundidade: Uma versão descentralizada do modelo DUSt3R foi implementada. O NeuroMesh alcançou resultados equivalentes à inferência centralizada (Erro Relativo Absoluto de 5,29% e taxa de inliers de 61,32%), demonstrando que a descentralização não compromete a precisão.
  • Segmentação Semântica: Robôs colaboraram para identificar objetos (cadeiras) a partir de múltiplas perspectivas, melhorando a cobertura e a precisão em comparação com robôs isolados.
• B. Controle Colaborativo:
  • Navegação ponto-a-ponto de três robôs terrestres sem colisão. O framework permitiu a execução em tempo real de políticas de Aprendizado por Reforço (RL) baseadas em GNNs. Apesar dos desafios de transferência simulação-realidade, o sistema alcançou uma taxa de sucesso de 60% no mundo real, corrigindo velocidades angulares errôneas em tempo real.
• C. Atribuição de Tarefas:
  • Um problema de atribuição de objetivos (5 robôs, 5 objetivos) resolvido de forma descentralizada. O sistema alcançou uma taxa de sucesso de 93,92% com mensagens de 128 bytes, com um custo total apenas 0,03% acima do ótimo calculado pelo algoritmo de Hungarian (centralizado).

Análise de Desempenho de Comunicação:

• Em redes de malha descentralizadas (Doodlelabs), o protocolo Zenoh (modo peer) foi o único capaz de lidar com cargas pesadas de percepção (3,15 MB), alcançando ~0,5 Hz, enquanto outros protocolos falharam.
• Para cargas de controle (128 bytes), o Zenoh peer atingiu uma taxa estável de 200 Hz com latência de 4,8 ms e perda de pacotes de apenas 0,3%.
• Simulações de escalabilidade indicam que o sistema mantém 200 Hz de taxa de transferência até 10 robôs e acima de 95 msgs/s mesmo com 50 robôs.

5. Significado e Impacto

O NeuroMesh preenche uma lacuna crítica entre a pesquisa teórica em colaboração multi-robô e a implantação prática no mundo real. Ao fornecer uma infraestrutura unificada que abstrai a complexidade da comunicação descentralizada e da heterogeneidade de hardware, o framework permite que pesquisadores e engenheiros foquem no design dos algoritmos de aprendizado, enquanto o NeuroMesh gerencia a execução eficiente.

Sua capacidade de suportar desde tarefas de percepção pesada até controle de alta frequência, em uma única arquitetura, posiciona-o como uma plataforma fundamental para o avanço de sistemas multi-robô autônomos, resilientes e escaláveis em ambientes complexos. O código será lançado como open-source, fomentando a adoção pela comunidade de robótica.