Global-Local Attention Decomposition for Terrain Encoding in Humanoid Perceptive Locomotion

Resumo Técnico: Decomposição de Atenção Global-Local para Codificação de Terreno em Locomoção Perceptiva Humanoide

Declaração do Problema
Embora o aprendizado por reforço (RL) tenha avançado na locomoção humanoide, as políticas perceptivas enfrentam dificuldades em ambientes de apoios esparsos e restritos. O sucesso nesses cenários exige duas capacidades perceptivas distintas: uma consciência ampla do contexto do terreno circundante e uma seleção precisa de apoios viáveis. Os codificadores de terreno convencionais frequentemente emaranham esses objetivos dentro de um único mecanismo, levando à diluição de pistas espaciais refinadas, ao enfraquecimento da correspondência espacial entre características e regiões alcançáveis, e ao aumento do overhead de treinamento. Métodos baseados em atenção existentes (ex: AME, AME-2) tentam fundir propriocepção com exterocepção, mas tipicamente aplicam um único mecanismo de atenção ao conjunto completo de características, falhando em separar explicitamente a agregação de contexto global da codificação local condicionada ao estado.

Metodologia: Decomposição de Atenção Global-Local (GLAD)
Os autores propõem o GLAD, um codificador de terreno de coerção grossa-para-fina projetado para decompor explicitamente esses papéis perceptivos. A arquitetura processa um mapa de elevação centrado no robô através das seguintes etapas:

1. Extração de Características Locais Espacialmente Alinhadas: Uma Rede Neural Convolucional (CNN) de duas camadas extrai características locais a partir do mapa de elevação 3D. Diferente de trabalhos anteriores que convoluem apenas valores de altura, o GLAD convolui as coordenadas 3D completas para embutir pistas posicionais diretamente nas características. A primeira camada realiza o downsampling com stride para desacoplar a resolução de sensoriamento da resolução de características, reduzindo o comprimento da sequência enquanto mantém o alinhamento espacial com o terreno.
2. Ramo de Atenção Global: Este ramo utiliza o agrupamento por atenção (attention pooling) para agregar todas as características locais em um vetor compacto de "contexto de terreno circundante". Este vetor resume a transitabilidade ampla e o layout geométrico à frente do robô sem focar em apoios específicos.
3. Ramo de Atenção Local: Este ramo realiza a esparsificação e codificação condicionada ao estado. Ele funde o vetor de contexto global com um embedding proprioceptivo para gerar uma consulta (query) condicionada ao estado. Esta consulta pontua as características locais, retendo apenas os $K$ melhores candidatos (esparsificação) relevantes para o estado de movimento atual do robô. Um mecanismo de Atenção de Múltiplas Cabeças (MHA) processa então essas características esparsas para produzir uma codificação geométrica de granularidade fina e relevante para o apoio.
4. Representação Unificada: O vetor de contexto global e a característica local relevante para o apoio são concatenados para formar a representação final do terreno, que é alimentada na política de locomoção.

Principais Contribuições

1. Decomposição Explícita: O artigo introduz o GLAD, que separa a atenção em agregação de contexto de terreno global e codificação de apoio local condicionada ao estado. Isso permite que a política raciocine conjuntamente sobre a transitabilidade ampla e a geometria precisa da região de apoio sem emaranhamento arquitetural.
2. Eficiência e Interpretabilidade: Ao combinar a decomposição com a esparsificação de características locais condicionada ao estado, o método reduz o custo computacional de aplicar atenção densa ao conjunto completo de características do terreno. Os comportamentos de atenção resultantes são complementares e interpretáveis: a atenção global foca na transitabilidade frontal, enquanto a atenção local destaca regiões específicas de apoio.
3. Transferência Zero-Shot Robusta: O método é validado em um robô humanoide Unitree G1 usando apenas mapeamento de elevação baseado em LiDAR embarcado. Ele alcança uma transferência robusta zero-shot sim-to-real através de diversos domínios de apoios esparsos e ricos em obstáculos, sem necessidade de mapeamento prévio ou captura de movimento externa.

Resultados Experimentais

• Simulação: O GLAD foi testado contra baselines (AME, AME com contexto global) e variantes de ablação em quatro terrenos não vistos, incluindo pedras de apoio compostas, pilares aleatórios e caminhos sinusoidais estreitos. O GLAD alcançou as maiores taxas de sucesso (ex: 95,90% em caminhos estreitos vs. 18,95% para o GLAD sem atenção local).
• Análise de Atenção: Métricas quantitativas mostraram que o GLAD atinge a menor distância ponderada pela atenção em relação aos apoios reais e a maior concentração de atenção ($A_{peak}$). Notavelmente, a concentração de atenção local do GLAD adapta-se à dificuldade do terreno (aumentando de 0,257 em terreno contínuo para 0,447 em terreno discreto), enquanto os baselines mostraram menos adaptabilidade.
• Eficiência de Treinamento: O design de coerção grossa-para-fina reduziu o tempo de treinamento para 1,00 dia em uma única GPU, comparado a 1,36 dias para o AME e 1,50 dias para o AME com contexto global.
• Implantação no Mundo Real: No Unitree G1, a política atravessou com sucesso pedras de apoio alternadas, composições de degraus e lacunas de escada, lacunas largas (até 70 cm) e campos densos de obstáculos. O robô exibiu comportamentos emergentes, como seguir caminhos estreitos autonomamente e evitar obstáculos sob comandos simples de velocidade, sem planejadores hierárquicos.

Significância e Alegações
O artigo afirma que o GLAD aborda uma limitação fundamental na locomoção perceptiva: o emaranhamento do contexto global e da precisão local em codificadores existentes. Ao separar explicitamente esses papéis, o método permite uma locomoção com pernas mais robusta e responsiva ao terreno. Os autores enfatizam que a política aprendida exibe "comportamentos emergentes de resposta ao terreno", permitindo que o robô navegue em ambientes complexos e restritos usando apenas comandos de velocidade simples e sensoriamento embarcado. O trabalho demonstra que uma representação de terreno de alta qualidade, em vez de complexos ajustes de recompensa (reward shaping) ou recompensas de apoio manuais, é suficiente para suportar uma locomoção confiável em terrenos desafiadores de apoios esparsos.

Limitações
Os autores reconhecem limitações em relação ao alcance de sensoriamento do mapa de elevação local, ruído de reconstrução e o overhead computacional do mapeamento de elevação em tempo real. Sugere-se que trabalhos futuros investiguem pipelines de mapeamento mais eficientes, percepção temporalmente estendida e representações de terreno multiescala.