DIFF-IPPO: Diffusion-Based Informative Path Planning with Open-Vocabulary Belief Maps

Resumo Técnico: DIFF-IPPO

Definição do Problema
A exploração autônoma e a busca de objetos em ambientes parcialmente observáveis exigem que robôs gerem trajetórias que maximizem o ganho de informação ou a probabilidade de detecção de alvos. Métodos tradicionais de Planejamento de Caminho Informativo (IPP - Informative Path Planning) frequentemente dependem de representações de crença gaussianas e otimizações computacionalmente dispendiosas, o que limita sua aplicabilidade em cenários de tempo real e multiagentes. Além disso, embora os cenários de busca de objetos frequentemente produzam mapas de crença complexos e multimodais derivados de percepção semântica ou de vocabulário aberto, a geração de trajetórias globais condicionada diretamente a tais mapas de crença não gaussianos permanece pouco explorada. Embora os planejadores baseados em difusão ofereçam fortes capacidades para modelar distribuições complexas, sua aplicação específica ao IPP tem sido limitada.

Metodologia
O artigo propõe o DIFF-IPPO, um pipeline que integra um gerador de mapa de crença de vocabulário aberto com um modelo de difusão condicional para a geração de trajetórias globais. O sistema opera em duas etapas primárias:

1. Geração de Mapa de Crença de Vocabulário Aberto:

   • O sistema converte imagens de satélite RGB e consultas de texto em linguagem natural em mapas de crença espaciais usando um modelo CLIP pré-treinado.
   • Processo: As imagens de entrada são processadas via um método de janela deslizante para gerar recortes (crops) sobrepostos. Um codificador de texto CLIP incorpora a consulta, e um codificador de imagem CLIP extrai características para cada recorte. A similaridade semântica (similaridade de cosseno) é computada entre as características de texto e imagem.
   • Agregação: Os escores de similaridade são agregados sobre janelas sobrepostas para formar um mapa de crença bruto, que é então normalizado, suavizado com um filtro Gaussiano e limiarizado (por exemplo, retendo os 20% superiores das respostas) para isolar regiões de alta relevância.

2. Planejamento de Trajetória Baseado em Difusão:

   • Arquitetura: Um modelo de difusão condicional baseado em UNet gera trajetórias. A rede é condicionada ao mapa de crença espacial através de um codificador convolucional que produz tokens de crença. Esses tokens são combinados com embeddings de passo de tempo (timestep) e injetados na UNet usando Modulação Linear por Características (FiLM) e mecanismos de atenção cruzada (cross-attention).
   • Treinamento: O modelo é treinado em um conjunto de dados sintético de mais de 42.000 amostras (blobs irregulares e distribuições Gaussianas) pareadas com trajetórias geradas por uma reimplementação do algoritmo TIGRIS.
   • Função de Perda: O objetivo de treinamento combina três termos:
     • Perda de Difusão ($L_{diff}$): Prediz o ruído adicionado durante o processo de difusão.
     • Perda de Cobertura ($L_{cov}$): Penaliza partes não observadas do mapa de crença. Ela modela a visibilidade do agente com base em restrições de alcance e campo de visão, calculando a redução na massa de crença após a observação.
     • Perda de Suavidade ($L_{sm}$): Incentiva trajetórias dinamicamente viáveis ao penalizar grandes entradas de controle (velocidade, aceleração, jerk).
   • Inferência: O sistema suporta a geração de trajetórias em lote (batches), produzindo múltiplas trajetórias em paralelo condicionadas ao mesmo mapa de crença. Durante a inferência, o objetivo de cobertura atua como um sinal de orientação para direcionar a geração em direção a regiões de alta cobertura.

Principais Contribuições

• Estrutura (Framework): Um framework de IPP baseado em difusão especificamente projetado para a geração de trajetórias sobre mapas de crença não gaussianos.
• Pipeline Integrado: Um sistema que combina a geração de mapa de crença de vocabulário aberto (via CLIP) com a geração de trajetória baseada em difusão.
• Orientação em Tempo de Inferência: Um mecanismo que utiliza objetivos de cobertura do mapa de crença para influenciar a geração de trajetórias durante a inferência.
• Avaliação: Avaliação abrangente em conjuntos de dados de mapas de crença sintéticos e em um ambiente simulado de busca e salvamento.

Resultados Experimentais
Os autores avaliaram o DIFF-IPPO contra os planejadores AID (baseado em difusão) e baseados em TIGRIS através de três tipos de conjuntos de dados: blobs irregulares, Gaussianas dispersas e uma combinação de ambos.

• Desempenho Sintético: O DIFF-IPPO alcançou escores de detecção normalizados entre 81,49% e 86,55% em diferentes cenários. No conjunto de dados "Scattered Gaussians", alcançou uma eficiência de exploração de $12,24 \times 10^4$.
• Geração de Múltiplas Trajetórias: Em configurações de lote (3 e 5 trajetórias), o DIFF-IPPO demonstrou níveis de redundância variados em comparação ao AID. Por exemplo, na configuração de 3 trajetórias em blobs irregulares, o DIFF-IPPO mostrou menor redundância (0,4006) do que o AID (0,4139), embora o AID tenha alcançado uma detecção normalizada superior naquela configuração métrica específica.
• Busca e Salvamento Simulada: Em um ambiente simulado de 1 km × 1 km projetado para localizar um "prédio em chamas" usando a consulta "building", uma equipe de cinco drones usando geração de trajetórias em lote alcançou a primeira detecção em uma média de 3,5 minutos. Configurações de drone único e três drones apresentaram médias de 7,9 e 4,25 minutos, respectivamente.

Significância e Alegações
O artigo posiciona o DIFF-IPPO como um passo em direção à geração de trajetórias em lote condicionada ao mapa de crença. Os autores declaram explicitamente modéstia quanto ao escopo atual:

• O sistema não constitui um framework completo de IPP multiagente. Ele carece de alocação de tarefas explícita, comunicação entre agentes, coordenação descentralizada e modelagem de desvio de colisão (o que é observado como algo que poderia ser adicionado via planejamento local ou restrições de orientação).
• Os experimentos de múltiplas trajetórias são interpretados como geração em lote condicionada a um mapa de crença compartilhado, em vez de demonstrações conjuntas de multiagentes aprendidas.
• A significância reside em demonstrar que modelos de difusão podem gerar efetivamente trajetórias viáveis e diversas sobre mapas de crença complexos e não gaussianos derivados de percepção de vocabulário aberto, alcançando altos escores de detecção e eficiência em cenários de busca simulados.

Trabalhos Futuros
Os autores identificam várias direções para pesquisas futuras, incluindo a melhoria do desempenho em mapas de crença esparsos e altamente irregulares, a investigação da diversidade de trajetórias em configurações de lote e a extensão do framework para um IPP multiagente completo com planejamento consciente de segurança e coordenação entre agentes.