TEXEDO : Test Time Scaling for Controller-aware Language-conditioned Humanoid Motion Generation

Resumen Técnico: TEXEDO

Declaración del Problema

La generación de movimiento condicionado por texto ha emergido como una interfaz prometedora para programar robots humanoides, pero persiste una desconexión crítica entre el generador de movimiento y el controlador de cuerpo completo. Los generadores actuales suelen entrenarse en conjuntos de datos de movimiento humano retargetizados a morfologías robóticas. Si bien estos modelos capturan prior evens cinemáticos semánticos ricos, carecen de exposición a las restricciones específicas del controlador descendente, tales como los límites de equilibrio, la sincronización de contactos, la saturación de la actuación y los modos de fallo específicos del controlador. En consecuencia, los movimientos generados pueden ser semánticamente plausibles pero dinámicamente inviables, lo que conduce a fallos de despliegue como caídas, contactos inadecuados o saturación de actuadores.

Los enfoques existentes suelen tratar la generación y el control como débilmente acoplados. Aunque el modelado de lenguaje ha adoptado con éxito el "escalado en tiempo de prueba" (muestreo de múltiples candidatos y selección del mejor mediante un verificador) para mejorar la calidad de la generación, aplicar esto al movimiento humanoide requiere una noción "anclada" de calidad. Un candidato no solo debe alinearse con el prompt de texto, sino que también debe ser ejecutable por el rastreador de cuerpo completo específico en la plataforma de hardware específica.

Metodología: TEXEDO (Text-See-Do)

TEXEDO es un marco de escalado en tiempo de prueba diseñado para convertir un generador de texto a movimiento preentrenado y congelado en un sistema de movimiento consciente del controlador sin modificar el generador ni el rastreador. El pipeline opera en tres etapas:

1. TEXT (TEXTO): Muestreo de Candidatos

Dada una instrucción de lenguaje natural $\ell$, un generador condicionado por lenguaje $G$ (por ejemplo, FSQ-GPT) muestrea un conjunto de $N$ trayectorias de referencia de cuerpo completo candidatas $\{m_i\}_{i=1}^N$. El generador se trata como una caja negra; el marco depende únicamente de las trayectorias decodificadas.

2. SEE (VER): Verificación Anclada

Cada candidato es evaluado por dos verificadores complementarios y anclados:

• Verificador de Viabilidad Dinámica ($R_{dyn}$): Este verificador predice si un movimiento puede ser rastreado con éxito por el controlador en el tiempo de despliegue. Es destilado de rollouts offline del rastreador real (por ejemplo, SONIC).
  • Señal Oráculo: Los rollouts offline generan tres señales: éxito binario ($y_s$), calidad de seguimiento ($q_d$) y ratio de progreso ($q_g$). Estas se colapsan en una única puntuación de calidad oráculo $Q^*$.
  • Modelo Sustituto: Un Transformer temporal ligero se entrena para predecir estas señales directamente desde el movimiento $m$, produciendo $R_{dyn}(m)$. Esto evita el coste prohibitivo de ejecutar rollouts completos en el momento de la selección.
• Verificador de Alineación Semántica ($R_{text}$): Este verificador mide la alineación entre el prompt de texto y el movimiento.
  • Arquitectura: Codificadores GRU bidireccionales para texto y movimiento entrenados en el esqueleto del robot utilizando una pérdida contrastiva.
  • Puntuación: La puntuación se define como la distancia de embedding negativa exponentiada entre las codificaciones de texto y movimiento, $R_{text}(\ell, m) = \exp(-\|\phi_{text}(\ell) - \phi_{motion}(m)\|^2)$.

3. DO (HACER): Selección Asimétrica

TEXEDO emplea una estrategia de filtrar-luego-re-clasificar para seleccionar el movimiento final $\hat{m}$:

1. Filtrar: Los candidatos predichos como dinámicamente inviables ($R_{dyn} < \theta$) son descartados. Esto trata la viabilidad dinámica como una restricción dura para asegurar la seguridad y la ejecutabilidad.
2. Re-clasificar: Del conjunto de candidatos restantes que son viables, se selecciona el candidato con la mayor puntuación de alineación semántica ($R_{text}$).
3. Fallback (Respaldo): Si ningún candidato pasa el filtro dinámico, se selecciona el candidato con el mayor $R_{dyn}$ para maximizar la probabilidad de ejecución.

Contribuciones Clave

1. Formulación del Problema: El trabajo formula la generación de movimiento humanoide condicionado por lenguaje y consciente del controlador como un problema de escalado en tiempo de prueba, aprovechando muestras adicionales en el tiempo de inferencia para mejorar la trayectoria de referencia única comandada al robot.
2. Diseño de Doble Verificador: Introduce dos verificadores anclados:
   • Un Verificador de Viabilidad Dinámica destilado de los rollouts del rastreador para predecir la ejecutabilidad física.
   • Un Verificador de Alineación Semántica entrenado en movimientos de esqueletos robóticos para medir la alineación texto-movimiento.
3. Estrategia de Selección Asimétrica: El documento propone una regla de filtrar-luego-re-clasificar que prioriza la viabilidad dinámica como una restricción dura antes de optimizar la alineación semántica. Esto resuelve la tensión entre los dos criterios competitivos, asegurando que el movimiento seleccionado sea tanto seguro como semánticamente fiel.

Resultados Experimentales

El marco fue evaluado en un humanoide Unitree G1 utilizando el controlador de cuerpo completo SONIC, con experimentos que abarcan simulación y despliegue en el mundo real.

• Efectividad del Escalado en Tiempo de Prueba:
  • El aumento del tamaño del pool de candidatos ($N$) mejora consistentemente el rendimiento.
  • La selección basada solo en $R_{dyn}$ logra un alto éxito de seguimiento (0.990) pero degrada la alineación semántica (la puntuación del VLM-Judge cae a 4.924).
  • La selección basada solo en $R_{text}$ logra una alta alineación semántica (6.110) pero ofrece una mejora mínima en el éxito de ejecución (0.885).
  • TEXEDO equilibra ambos con éxito, logrando un éxito de seguimiento de 0.984 y una puntuación de VLM-Judge de 6.054 (con $N=32$), superando significativamente al baseline ($N=1$) que tenía 0.873 de éxito y 5.722 de alineación.
• Generalización Zero-Shot:
  • Agnóstico al Generador: Al aplicarse a un generador no visto (Kimodo) sin reentrenar los verificadores, TEXEDO mejoró tanto la calidad de ejecución como la alineación semántica, demostrando que los criterios de selección se transfieren entre arquitecturas de generadores.
  • Fuera de Distribución (OOD): En prompts del dataset BONES-SEED no visto, TEXEDO mejoró el éxito de seguimiento de 0.860 a 0.980 y redujo significativamente los errores de seguimiento, mostrando una robusta generalización a prompts OOD.
• Despliegue en el Mundo Real:
  • TEXEDO fue desplegado en un Unitree G1 físico a través de 30 prompts diversos (locomoción, gestos, combinaciones).
  • Ejecutó con éxito los 30 prompts, seleccionando consistentemente movimientos que eran estables y coincidían con la semántica pretendida, mientras que los métodos base a menudo fallaban o producían comportamientos inestables.

Significado y Reivindicaciones

El artículo afirma que la verificación anclada es un camino efectivo hacia la generación de movimiento humanoide guiado por lenguaje desplegable. Al tratar la viabilidad dinámica como una restricción dura y la alineación semántica como el objetivo de selección, TEXEDO permite el uso de potentes generadores de texto a movimiento preentrenados sin requerir reentrenamiento o modificaciones complejas al controlador.

Los autores enfatizan que este enfoque permite convertir el cómputo adicional en tiempo de inferencia (muestreando más candidatos) en una trayectoria de referencia única, de alta calidad, que es tanto alineada semánticamente como físicamente anclada. El método demuestra que es posible cerrar la brecha entre la generación semántica y el control físico, produciendo mejoras consistentes tanto en la ejecución de simulación como en el hardware del mundo real. El trabajo sugiere que el escalado en tiempo de prueba, cuando se combina con verificadores conscientes del controlador, es una estrategia viable para mejorar la fiabilidad de los robots humanoides en tareas de código abierto.