Resumen Técnico: NavWAM - Un Modelo de Acción de Mundo de Navegación para la Navegación Visual Condicionada por Objetivos

1. Declaración del Problema

La navegación visual condicionada por objetivos requiere que un robot navegue desde observaciones egocéntricas parciales hacia un objetivo especificado (por ejemplo, una imagen de destino). Si bien las políticas directas recientes pueden mapear observaciones a acciones de manera eficiente, a menudo carecen de previsión visual explícita —la capacidad de anticipar cómo su movimiento alterará las vistas futuras y si esos cambios los acercan al objetivo—.

Por el contrario, los Modelos de Mundo de Navegación (NWMs) predicen explícitamente observaciones egocéntricas futuras condicionadas a candidatas acciones. Sin embargo, los NWMs funcionan como módulos de predicción en lugar de políticas de control. Dependen de un planificador externo (típicamente utilizando el Método de Contraste de Entropía, CEM) para buscar sobre secuencias de acciones candidatas, calificar los futuros predichos y seleccionar la mejor acción para su ejecución. Esta separación crea un cuello de botella:

1. Sobrecarga Computacional: Se requiere optimización de trayectoria en tiempo de prueba.
2. Desacoplamiento: El modelo de mundo aprendido no produce directamente acciones ejecutables; el comportamiento de bucle cerrado depende de las elecciones del planificador externo más que de la representación interna del modelo por sí sola.

La pregunta central abordada por este trabajo es: ¿Cómo se puede hacer que la previsión visual explícita sea directamente utilizable para el control de bucle cerrado ejecutable sin depender de la planificación externa?

2. Metodología: NavWAM

Los autores proponen NavWAM (Navigation World Action Model), una política de difusión-transformador que unifica la predicción futura, la estimación de valor y la generación de acciones en un único problema de predicción conjunta.

Arquitectura Central

NavWAM está construido sobre Cosmos Predict2, un modelo de mundo de video de difusión-transformador preentrenado. En lugar de usar el modelo únicamente para predecir vistas futuras para la planificación externa, NavWAM trata las variables de navegación como una secuencia latente compartida (un "lienzo latente").

• Representación del Lienzo Latente: El modelo opera sobre una secuencia latente fija de nueve fotogramas.
  • Fotogramas de Condicionamiento (Observados): Un fotograma en blanco (para compresión temporal VAE), el estado actual del robot, la imagen del objetivo y la observación egocéntrica actual.
  • Fotogramas de Predicción (Generados): Un bloque de acciones ejecutables (action chunk), un estado futuro, dos observaciones egocéntricas futuras y un valor escalar de progreso hacia el objetivo.
• Objetivo Unificado: El modelo aprende a eliminar el ruido de toda esta secuencia simultáneamente. Esto transforma la navegación en un problema de eliminación de ruido conjunto sobre:
  1. Percepción Futura: Predicción de vistas egocéntricas futuras ($o_{t+H-1:t+H}$).
  2. Progreso del Objetivo: Estimación de un valor escalar ($v_{t+H}$) que indica la proximidad al objetivo.
  3. Movimiento Ejecutable: Generación de bloques de acciones ($a_{t:t+H-1}$).

Entrenamiento e Inferencia

• Entrenamiento: El modelo se entrena utilizando un objetivo de difusión ($L_{diff}$) en el lienzo latente. El fotograma de acción se pondera con mayor peso para asegurar que la señal de acción de baja dimensión no sea dominada por la pérdida de reconstrucción de imagen de alta dimensión. Se utilizan tres modos de entrenamiento:
  1. Modo de Política: Se condiciona en el estado/observación/objetivo actuales; predice acción, futuro y valor.
  2. Modo de Modelo de Mundo: Se condiciona también en la acción; predice el futuro/valor resultante.
  3. Modo de Valor: Se condiciona en los fotogramas futuros; predice el valor.
• Inferencia: En el Modo de Política por defecto, NavWAM toma la observación actual y el objetivo, elimina el ruido de la secuencia y genera directamente un bloque de acciones. Este bloque se ejecuta en un bucle de horizonte recesivo.
  • Sin Planificador Externo: A diferencia de los NWMs, NavWAM no requiere búsqueda tipo CEM o muestreo de candidatos durante la inferencia estándar.
  • Best-of-N Opcional: El modelo soporta un modo opcional donde se muestrean $N$ candidatos y se califican usando las cabezas auxiliares de modelo de mundo/valor, pero los resultados principales utilizan el modo de política por defecto.

3. Contribuciones Clave

1. Política NavWAM: Una arquitectura novedosa que convierte la previsión visual de tipo NWM en una política productora de acciones para la navegación visual condicionada por objetivos.
2. Formulación de Predicción Conjunta: Un método para representar observaciones futuras, valores de progreso de objetivo y bloques de acciones ejecutables en una secuencia latente compartida, permitiendo que la predicción futura apoye directamente la generación de acciones de bucle cerrado.
3. Rendimiento sin Búsqueda: Demostración de que NavWAM mejora sobre las bases de modelos de mundo basadas en planificación sin la optimización de trayectoria en tiempo de prueba tipo CEM, manteniéndose competitivo con las políticas de navegación directa de mayor tamaño.

4. Resultados Experimentales

Los autores evaluaron NavWAM en navegación por objetivo de imagen utilizando GO STANFORD (para comparación con NWM) y SIT (para comparación con OmniVLA). La validación en el mundo real se realizó en un robot móvil Diablo a través de cuatro entornos interiores.

Benchmarks Offline (GO STANFORD)

• vs. Bases Basadas en Planificación: NavWAM superó significativamente a Cosmos Predict2 y NWM en Error de Trayectoria Absoluta (ATE) y Error de Pose Relativa (RPE).
  • NavWAM (con Fine-tuning): ATE 0.192, RPE 0.070.
  • NWM: ATE 0.453, RPE 0.107.
  • Cosmos Predict2: ATE 0.455, RPE 0.109.
• Preservación de la Previsión: A pesar de ser una política productora de acciones, NavWAM mantuvo una alta Consistencia de Sujeto (similitud visual entre las vistas futuras predichas y las vistas reales de referencia), superando a NWM (0.668 vs. 0.524).
• Ablación: El estudio demostró que la predicción de futuro basada solo en imágenes es insuficiente para la navegación. Añadir supervisión de acción y valor fue crítico, siendo la supervisión de valor la que proporcionó el mejor rendimiento.

Comparación con Políticas Directas (SIT)

• vs. OmniVLA: NavWAM (usando un backbone de video de 2B parámetros) logró un ATE y una Tasa de Éxito (SR) comparable o ligeramente superior a OmniVLA (construido sobre un backbone de OpenVLA de 7B parámetros).
  • NavWAM: ATE 0.077 (h=4), SR 46.3%.
  • OmniVLA: ATE 0.086 (h=4), SR 45.4%.

Despliegue en el Mundo Real

• Configuración: 24 episodios de bucle cerrado en entornos de Oficina, Almacén, Sala de Reuniones y Pasillo.
• Tasa de Éxito: NavWAM logró la tasa de éxito más alta (79.2%, 19/24 episodios), comparado con OmniVLA (58.3%) y NWM (16.7%).
• Comportamiento Cualitativo: NavWAM demostró un alcance de objetivo consistente, mientras que NWM a menudo derivaba y OmniVLA a veces se detenía antes de tiempo o tomaba caminos menos directos. Los despliegues en el mundo real confirmaron que las vistas futuras predichas coincidían cualitativamente con las observaciones reales subsiguientes.

5. Significado y Reivindicaciones

El artículo afirma que NavWAM logra cerrar la brecha entre la previsión visual y el control ejecutable. Su significado principal radica en demostrar que:

1. La previsión visual no tiene por qué ser un módulo de planificación separado. Al integrar la predicción futura, la estimación de valor y la generación de acciones en una única secuencia latente, el modelo aprende a utilizar la previsión directamente para el control.
2. Eficiencia: Se puede lograr una navegación de alto rendimiento sin el costo computacional de la optimización de trayectoria tipo CEM en el tiempo de prueba.
3. Escalabilidad: Un modelo con un backbone de 2B de parámetros puede competir con políticas directas de 7B de parámetros, proporcionando además la interpretabilidad adicional de las predicciones de vistas futuras.

Los autores concluyen que la predicción futura es más efectiva para la navegación robótica cuando se aprende de forma conjunta con los objetivos de acción y valor que determinan el comportamiento de bucle cerrado, en lugar de como un paso de planificación separado.

Limitaciones

Los autores señalan modestamente que:

• La evaluación se limita actualmente a la navegación por objetivo de imagen en entornos interiores; los objetivos de lenguaje u objetos son trabajo futuro.
• El estudio en el mundo real es limitado en escala (24 episodios).
• El modo opcional de muestreo Best-of-N guiado por valor no se utilizó en los resultados principales, y su impacto en la robustez aún debe ser estudiado.