Come può l’incertezza rendere più sicura la navigazione dei robot?

I robot che si muovono in ambienti chiusi, come i ristoranti o gli ospedali, devono sapere esattamente dove si trovano. Un nuovo studio propone un metodo che usa l’incertezza per migliorare la precisione della localizzazione, senza cambiare il modello di previsione. Il sistema valuta due tipi di incertezza: aleatorica, legata al rumore dei dati, ed epistemica, legata alla conoscenza limitata del modello. Poi, tramite una soglia percentuale, scarta le previsioni di posizione (x, y) e orientamento (yaw) che risultano troppo incerte. Applicato a una rete che combina immagini RGB e dati{LiDAR} 2D, il metodo è stato testato su tre dataset reali raccolti da un robot di servizio. Con soglie più rigide (90 %, 80 %, 70 %) gli errori medi di posizione sono diminuiti rispettivamente del 41 %, 56 % e 69 %, mentre gli errori di orientamento sono calati del 56 %, 66 % e 73 %. Inoltre, la strategia elimina i picchi di errore più estremi, allineando meglio le traiettorie stimate a quelle reali. È la prima volta che si dimostra quantitativamente come una semplice regola di rifiuto basata sull’incertezza possa rendere più affidabili i sistemi di localizzazione multimodale e end‑to‑end, aprendo la strada a robot più sicuri nelle nostre case e nei luoghi pubblici.

Il metodo proposto si basa su una stima separata delle componenti aleatoriche ed epistemiche dell’incertezza. L’incertezza aleatorica è modellata tramite una distribuzione di probabilità predetta dalla rete, tipicamente una varianza per ogni output di posa. L’incertezza epistemica, invece, è ottenuta mediante tecniche di Monte‑Carlo dropout o ensemble, che forniscono una misura{di} varianza tra più forward pass del modello. La soglia percentuale (90 %, 80 %, 70 %) è calcolata sui valori di incertezza aggregata, ordinando le previsioni e scartando quelle più elevate. Questo approccio è particolarmente efficace in scenari multimodali, dove i dati RGB e LiDAR offrono informazioni complementari: le immagini catturano texture e colore, mentre il LiDAR fornisce misurazioni geometriche precise. La fusione avviene in una rete end‑to‑end che apprnde una rappresentazione condivisa, riducendo la dipendenza da pipeline di pre‑processing. I risultati sperimentali mostrano che, oltre a ridurre gli errori medi, la strategia di rifiuto diminuisce la varianza delle stime, migliorando la robustezza contro condizioni ambientali avverse (luce variabile, ostacoli mobili). L’applicazione pratica può includere robot di consegna, assistenti domestici o veicoli autonomi indoor, dove la sicurezza richiede una localizzazione affidabile anche in presenza di dati rumorosi o scenari non visti durante l’addestramento.