Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles

1. O Problema

O planejamento de trajetória segura e ágil é fundamental para sistemas autônomos, especialmente durante manobras aeróbicas complexas de Veículos Aéreos Não Tripulados (UAVs). Embora os Modelos de Difusão (uma classe de Inteligência Artificial Generativa) tenham demonstrado sucesso na geração de trajetórias diversificadas e de alta qualidade, eles apresentam desafios críticos em cenários de segurança:

• Imprevisibilidade e Violação de Segurança: Modelos de difusão podem gerar trajetórias que colidem com obstáculos, pois não possuem garantias formais de segurança intrínsecas.
• Dependência de Dados: Abordagens tradicionais frequentemente exigem grandes conjuntos de dados de treinamento que já foram verificados quanto à segurança, o que é difícil de obter e limita a generalização.
• Limitações de Métodos Atuais: Técnicas de pós-processamento ou filtros heurísticos muitas vezes não fornecem garantias formais de segurança ou introduzem atrasos computacionais inaceitáveis.

2. Metodologia: AeroTrajGen

O artigo propõe o AeroTrajGen, um novo framework que integra Funções de Barreira de Controle (CBFs) diretamente no processo de inferência de um modelo de difusão. A abordagem consiste em duas fases principais:

A. Arquitetura do Modelo (Fase de Treinamento)

• Transformador de Difusão Consciente de Obstáculos: O núcleo do modelo é um transformador que aprende a gerar trajetórias a partir de um conjunto de dados de 2.000 demonstrações de especialistas (abrangendo 14 estilos de manobras aeróbicas).
• Condicionamento Multimodal: O modelo é condicionado por quatro fontes de informação:
  1. Histórico da trajetória.
  2. Obstáculos no ambiente.
  3. Estilo da manobra (ex: barrel roll, loop, etc.).
  4. Ponto de destino (waypoint).
• Objetivo: Aprender uma distribuição a priori que capture a dinâmica do UAV e a diversidade das manobras, sem necessitar de dados de treinamento livres de colisões para a fase de inferência.

B. Amostragem Guiada por CBF (Fase de Inferência)

A inovação central ocorre durante o processo de difusão reversa (geração da trajetória):

• Integração de CBFs: Em vez de tratar a segurança como um filtro posterior, a invariância de forward das CBFs é incorporada diretamente ao fluxo de gradiente da Equação Diferencial Estocástica (SDE) reversa.
• Função de Probabilidade de Segurança: Define-se uma função de probabilidade de segurança $P_s$ baseada na distância entre o UAV e os obstáculos (usando barreiras exponenciais, CDF normal ou logística).
• Modificação do Gradiente: O gradiente de segurança ($\nabla \log P_s$) é somado à função de pontuação (score function) do modelo de difusão. Isso "empurra" a trajetória gerada para longe das regiões inseguras durante a própria amostragem.
• Algoritmo: O processo de amostragem ajusta a previsão de ruído ($\epsilon$) em cada passo de tempo, balanceando a fidelidade à manobra desejada com a necessidade de evitar colisões, controlada por um parâmetro de força de guia $\gamma(t)$.

3. Principais Contribuições

1. Framework AeroTrajGen: Um modelo de difusão específico para UAVs que gera trajetórias aeróbicas complexas e seguras em ambientes com obstáculos.
2. Inferência Segura sem Retreinamento: A integração de CBFs na fase de inferência elimina a necessidade de retreinar o modelo com dados verificados quanto à segurança, reduzindo a dependência de dados de treinamento "perfeitos".
3. Arquitetura Consciente de Obstáculos: Um transformador que codifica o contexto ambiental (obstáculos) diretamente no prior generativo, permitindo síntese eficiente de trajetórias fisicamente informadas.
4. Garantia Formal de Segurança: Ao incorporar a invariância de forward das CBFs no fluxo de gradiente, o método oferece garantias teóricas de que a trajetória permanecerá dentro do conjunto seguro, mitigando a imprevisibilidade inerente aos modelos generativos.

4. Resultados Experimentais

Os resultados foram validados em simulações com ambientes contendo 3 a 5 obstáculos esféricos aleatórios, utilizando 200 trajetórias de teste cobrindo 14 manobras.

• Redução de Colisões:
  • O modelo de difusão sem guia (baseline) apresentou uma taxa de colisão de 99,0% em ambientes sem codificador de obstáculos e 12,0% com codificador.
  • A amostragem guiada por CBF (Configuração C: sem codificador, função logística, $\gamma=4000$) alcançou 0,0% de taxa de colisão (redução de 100% em relação à baseline sem guia).
  • Comparado à baseline com guia moderado, a redução foi de 94,7%.
• Compromisso Segurança vs. Precisão (Trade-off):
  • A segurança máxima (0 colisões) resultou em um aumento no erro de posição (RMSE) de 0,47 m para 1,19 m e uma redução na taxa de sucesso geral (devido a critérios estritos de precisão e alcance do alvo).
  • A configuração com codificador de obstáculos e guia moderado ($\gamma=2000$) ofereceu o melhor equilíbrio, com 2,0% de colisão e 31,5% de sucesso geral.
• Qualidade da Trajetória: O modelo guiado por CBF eliminou colisões, mas a força da guia pode levar a trajetórias menos suaves (maior variância de aceleração) e menor precisão na execução de estilos de manobras complexas (68% de precisão de estilo vs. 94% no modelo sem guia).

5. Significância e Conclusão

O trabalho AeroTrajGen preenche uma lacuna crítica entre modelos generativos expressivos e robótica de segurança crítica.

• Viabilidade Operacional: Demonstra que é possível utilizar modelos de IA generativa de última geração para tarefas de alta complexidade (aerobática) em ambientes dinâmicos, mantendo a segurança através de métodos formais (CBFs) durante a inferência.
• Eficiência de Dados: A abordagem reduz a barreira de entrada para a aplicação de IA em robótica, pois não exige conjuntos de dados massivos e perfeitamente seguros para treinamento.
• Futuro: Embora o trabalho atual assuma obstáculos estáticos e esféricos, ele estabelece uma base sólida para futuras extensões em ambientes com obstáculos dinâmicos, formas arbitrárias e coordenação multi-agente.

Em resumo, o paper propõe uma solução robusta onde a segurança não é um adendo, mas uma parte intrínseca do processo de geração de trajetória, permitindo que UAVs realizem manobras complexas com risco mínimo de colisão.