=== RESUMO TÉCNICO ===

Resumo Técnico: ContactGuard

Declaração do Problema

Em manipulação robótica rica em contato, falhas frequentemente ocorrem devido a erros menores próximos ao momento do contato (ex: abordagens descentralizadas, empurrar objetos ou fechamento prematuro da garra). Esses erros são difíceis de serem evitados por políticas visuomotoras sob oclusão, desordem ou mudanças de distribuição. Crucialmente, quando os detectores convencionais identificam uma falha, o robô já costuma ter se comprometido com o contato, tornando a correção difícil ou impossível. Isso é particularmente limitante em configurações de câmera no pulso, onde vistas próximas auxiliam a observação, mas trajetórias de abordagem ruins podem já ter perturbado a cena antes da detecção.

Os métodos atuais de monitoramento de execução frequentemente dependem da detecção de falhas após elas ocorrerem ou exigem treinamento conjunto com a política. Há uma necessidade de um monitor de execução pré-contato que possa avaliar a consequência provável de um bloco de ação (action chunk) iminente antes que o contato físico ocorra, permitindo que o sistema aborte uma interação ruim sem modificar a política subjacente.

Metodologia: ContactGuard

O ContactGuard é um monitor de execução pré-contato projetado para políticas visuomotoras baseadas em blocos (chunked). Ele opera como um verificador preditivo desacoplado da política que roda paralelamente a uma política existente de "caixa-preta". O sistema consiste em três componentes principais:

1. Modelo de Mundo Latente Condicionado à Ação

Em vez de gerar quadros futuros fotorrealistas (o que é computacionalmente caro e ambíguo), o ContactGuard aprende uma representação compacta de resultados futuros.

• Arquitetura: Baseado no princípio da Arquitetura Preditiva de Embedding Conjunto (JEPA), especificamente adaptando o framework LeWorldModel (LeWM). Utiliza um codificador visual multi-visão compartilhado (ViT-Tiny) para mapear observações de câmera sincronizadas em um espaço latente.
• Predição: Um preditor Transformer causal, condicionado ao bloco de ação planejado do robô, prevê a evolução desses embeddings latentes. Ele prevê como o embedding do estado visual mudará sob as ações específicas propostas pela política.
• Treinamento: O modelo de mundo é treinado em trajetórias de robô não rotuladas usando regressão de próximo-latente com um regularizador anti-colapso SIGReg. Isso permite que o modelo aprenda a dinâmica visual agnóstica à tarefa sem exigir rótulos de sucesso/falha.

2. Sonda de Falha Leve (Lightweight Failure Probe)

Uma vez que o modelo de mundo é treinado e congelado, uma sonda classificadora leve é treinada para interpretar os futuros latentes preditos.

• Entrada: A sonda recebe o embedding latente predito ($\hat{z}_{t+K}$) resultante do rollout do modelo $K$ passos sob o bloco de ação planejado.
• Treinamento: Uma sonda de regressão logística simples é treinada em um pequeno conjunto de clipes rotulados de pré-contato (sucesso/falha binário). Ela mapeia o futuro latente predito para uma probabilidade de falha $P(\text{fail})$.
• Desacoplamento: Isso separa o aprendizado de dinâmica visual (dados não rotulados, grandes) da supervisão de resultados (dados rotulados, pequenos).

3. Loop de Monitoramento Pré-Contato Online

Durante a implantação, o ContactGuard opera em tempo real junto com a política visuomotora (ex: ACT):

1. Gatilho: O sistema escaneia o próximo bloco de ação em busca de um evento de contato iminente (ex: fechamento da garra).
2. Âncora: Quando o evento de contato está dentro de um horizonte predefinido ($k_{pre}$), o monitor é ativado.
3. Rollout: O modelo de mundo congelado é projetado para frente $K$ passos usando as ações planejadas da política para gerar um latente pós-contato predito.
4. Verificação: A sonda congelada pontua este latente. Se $P(\text{fail}) > \tau$ (um limiar específico da tarefa), o sistema aborta a execução antes que a garra feche. Caso contrário, a política continua inalterada.

Principais Contribuições

1. Formulação de Monitoramento Pré-Contato: O artigo formula o problema de avaliar a consequência de uma ação de contato iminente antes do compromisso, especificamente para políticas visuomotoras baseadas em blocos.
2. Monitor Latente Condicionado à Ação: Introdução do ContactGuard, que utiliza um modelo de mundo latente para realizar o rollout de embeddings visuais multi-visão compactos sob ações planejadas, evitando a predição de vídeos em nível de pixel.
3. Demonstração da Utilidade do Futuro Latente: Através de estudos de ablação, os autores mostram que os futuros latentes preditos contêm informações de falha não disponíveis nas observações atuais ou nas ações planejadas brutas.
4. Implantação Desacoplada da Política: O sistema permite abortos de pré-contato em tempo real com robôs reais sem modificar a política subjacente, buscar ações candidatas ou gerar vídeos em nível de pixel.

Resultados Experimentais

Os autores avaliaram o ContactGuard em quatro tarefas de manipulação rica em contato no mundo real (Pegar-e-colocar com copos/caixas, Lápis-e-caderno, Dobra de toalha) usando um robô dual-arm de 14-DoF.

• Desempenho vs. Baselines: O ContactGuard superou significativamente:
  • Direct-linear: Um baseline que prevê a falha diretamente a partir do estado atual e ações sem imaginação.
  • LeWM: Um baseline de modelo de mundo de visão única.
  • Current Latent: Uma ablação onde a sonda usa o latente atual em vez do futuro latente predito.
  • Detectores Externos: Detectores de tempo de execução estabelecidos como FAIL-Detect, RND e SAFE.
• Métricas Principais: O ContactGuard alcançou a maior Acurácia Balanceada e AUC ROC em todas as tarefas. Por exemplo, na tarefa "Copo", atingiu 0.940 de Acurácia Balanceada comparado a 0.780 para o LeWM e 0.580 para o Direct-linear.
• Fonte de Informação: Estudos de ablação confirmaram que o sinal surge da consequência imaginada da ação específica proposta. Embaralhar blocos de ação ou usar ações corrompidas fez o desempenho cair para níveis próximos ao acaso, provando que o monitor é sensível ao plano de ação específico, não apenas ao estado visual.
• Tempo de Execução: O sistema roda eficientemente em uma NVIDIA RTX 5090, com inferência completa (codificação + rollout + sonda) levando aproximadamente 19ms para um horizonte de 1 segundo, bem dentro do orçamento de tempo pré-contato.
• Propriocepção: Curiosamente, adicionar o estado proprioceptivo (posições/esforços das juntas) ao modelo de visão única diminuiu o desempenho em seu regime de poucos dados, sugerindo que a fusão direta de estados pode atuar como um atalho específico do domínio que desloca a dinâmica visual relevante para a preensão.

Significância e Alegações

O artigo afirma que a imaginação latente condicionada à ação serve como um substrato prático para prevenir falhas prováveis antes que o contato físico ocorra.

• Preemptivo vs. Reativo: Ao contrário de métodos que detectam a falha após o contato ter perturbado a cena, o ContactGuard intervém antes que a cena mude.
• Modularidade: Trata a política visuomotora como uma caixa-preta, não exigindo treinamento conjunto ou acesso aos detalhes internos da política. Isso o torna uma camada de segurança acoplável a sistemas existentes.
• Eficiência: Ao operar no espaço latente em vez de no espaço de pixels, alcança alta precisão com baixo overhead computacional adequado para controle em tempo real.
• Limitações: Os autores notam modestamente que o ContactGuard previne falhas ao se abster (abortar), mas não inerentemente recupera delas ou completa a tarefa após um aborto. O trabalho futuro exigiria o acoplamento do monitor com módulos de recuperação ou políticas de múltiplas amostras para selecionar ações alternativas.

Em resumo, o ContactGuard demonstra que prever as consequências de curto horizonte das ações planejadas em um espaço latente compacto fornece um mecanismo robusto e agnóstico à política para garantir a segurança na manipulação robótica rica em contato.