Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation

Resumo Técnico: Comparação de Desempenho de Algoritmos de Amostragem Clássicos e Neurais para Navegação Robótica

Declaração do Problema
O planejamento de movimento baseado em amostragem é fundamental para sistemas autônomos, incluindo robôs terrestres, VANTs e veículos autônomos. Embora a Árvore de Exploração Rápida (RRT) e sua variante ótima, RRT*, sejam amplamente utilizadas devido à sua eficiência em espaços de alta dimensão, elas sofrem com uma amostragem aleatória ineficiente. Isso resulta em altos custos computacionais, convergência lenta e trajetórias subótimas e irregulares, particularmente em ambientes congestionados com densidades variáveis de obstáculos. Embora variantes como Informed RRT* utilizem heurísticas criadas manualmente (por exemplo, amostragem elipsoidal) para acelerar a convergência, elas carecem de adaptabilidade a estruturas diversas de ambientes. Avanços recentes em aprendizado de máquina sugerem que redes neurais poderiam enviesar a amostragem em direção a regiões promissoras, no entanto, uma avaliação unificada e controlada comparando essas abordagens guiadas por redes neurais com baselines clássicas sob condições consistentes permanece limitada.

Metodologia
Este estudo implementa e compara três algoritmos dentro de um framework unificado em ambientes com distribuições de obstáculos esparsas, médias e densas:

1. RRT:* A baseline clássica que utiliza amostragem aleatória uniforme e optimalidade assintótica por meio de reconfiguração de nós.
2. Neural RRT:* Uma melhoria onde o passo de amostragem é guiado por um mapa de probabilidade $P(x, y)$ previsto por uma rede neural treinada. A amostragem é uma mistura ponderada da distribuição aprendida e da amostragem uniforme ($x_{rand} \sim \alpha P(x, y) + (1-\alpha)U(X_{free})$).
3. Neural Informed RRT:* Uma abordagem híbrida que combina a distribuição de amostragem aprendida com as restrições geométricas do Informed RRT*. Após encontrar um caminho inicial viável com custo $c_{best}$, a amostragem é restrita à interseção do mapa de probabilidade aprendido e uma região elipsoidal definida pelo início, objetivo e $c_{best}$.

Arquitetura da Rede Neural e Treinamento
Ambos os planejadores neurais utilizam um modelo baseado em U-Net com uma estrutura codificador-decodificador ResNet-50. A entrada é uma imagem de três canais com dimensões 224×224 que codifica o mapa de obstáculos, a posição inicial e a posição do objetivo. A rede produz um mapa de probabilidade denso que guia o processo de amostragem. O modelo é treinado de forma supervisionada utilizando um conjunto de dados gerado pelo algoritmo A* em mapas de grade aleatórios. O objetivo de treinamento minimiza a perda Dice entre o mapa de probabilidade previsto e a máscara de caminho de referência (dilatada para robustez). Técnicas de aumento de dados, incluindo variações aleatórias de obstáculos e reposicionamento de início-objetivo, são empregadas para garantir a generalização.

Principais Contribuições

• Comparação Unificada: O artigo fornece uma avaliação controlada, lado a lado, de RRT* clássico, Neural RRT* e Neural Informed RRT* em mapas de complexidade variada, abordando a falta de benchmarks consistentes na literatura existente.
• Avaliação Quantitativa: O desempenho é rigorosamente avaliado usando quatro métricas: comprimento do caminho, tempo de planejamento, suavidade do caminho e taxa de sucesso.
• Análise de Trade-off: O estudo analisa explicitamente os trade-offs entre a sobrecarga computacional da inferência neural e os ganhos na qualidade da trajetória e na eficiência de convergência.

Resultados
Experimentos realizados em 50 execuções por tipo de mapa (esparso, médio, denso) produziram as seguintes descobertas:

• Qualidade do Caminho: O Neural Informed RRT* consistentemente alcançou os menores comprimentos de caminho e as trajetórias mais suaves. Em ambientes densos, demonstrou uma redução de até 14% no comprimento do caminho e uma melhoria de 55–75% na suavidade em comparação com o RRT* clássico. O Neural RRT* também melhorou a qualidade do caminho sobre a baseline, mas em menor extensão.
• Tempo de Planejamento: O RRT* clássico geralmente exibiu os tempos de planejamento mais rápidos, particularmente em mapas esparsos. Planejadores guiados por redes neurais incorreram em um aumento marginal no tempo de computação devido à inferência da rede. No entanto, o estudo observa que esse custo de tempo é superado pelas melhorias significativas na optimalidade do caminho e na suavidade em ambientes complexos.
• Taxa de Sucesso: Todos os algoritmos mantiveram uma taxa de sucesso de 100% em mapas esparsos e de densidade média. Em mapas densos, o Neural Informed RRT* ocasionalmente caiu para uma taxa de sucesso de 90% (atribuída à poda agressiva do espaço de busca), mas ainda superou os outros em métricas de eficiência.

Significado e Alegações
O artigo afirma que a integração de orientação baseada em IA em planejadores baseados em amostragem melhora significativamente a confiabilidade e a eficiência da trajetória da navegação robótica. Os resultados demonstram que o Neural Informed RRT* oferece o melhor equilíbrio entre qualidade do caminho e tempo de computação, tornando-o a escolha mais adequada para navegação em ambientes complexos e congestionados. Embora a abordagem introduza uma leve sobrecarga computacional, o estudo conclui que as melhorias resultantes na optimalidade e suavidade do caminho justificam esse custo para aplicações em tempo real. Os autores posicionam este trabalho como um passo para avançar o planejamento de caminhos robóticos em tempo real através da integração eficaz de heurísticas aprendidas com garantias de optimalidade clássicas. Trabalhos futuros são propostos para estender esses métodos para ambientes dinâmicos, tridimensionais e aplicações robóticas do mundo real.