FeudalNav: A Simple Framework for Visual Navigation

Ce travail présente FeudalNav, un cadre de navigation visuelle hiérarchique qui utilise un réseau de sélection de points de passage et une mémoire en espace latent basée sur la similarité visuelle pour naviguer efficacement dans des environnements inconnus sans utiliser d'odométrie.

L'essentiel

Le problème : Le robot "amnésique" dans le noir

Imaginez que vous soyez parachuté dans une immense maison que vous ne connaissez pas. Vous n'avez pas de plan, pas de GPS, et on vous a bandé les yeux par moments. Pour vous en sortir et trouver une chambre précise, vous ne pouvez pas compter sur une carte précise (car elle n'existe pas), mais seulement sur vos yeux et votre mémoire : "Je me souviens avoir vu ce tapis bleu, je dois donc être dans le couloir."

Actuellement, la plupart des robots essaient de faire cela en utilisant des calculs mathématiques ultra-complexes, des cartes 3D lourdes ou en faisant des millions d'essais-erreurs (ce qu'on appelle l'apprentissage par renforcement), ce qui prend un temps fou et demande une puissance de calcul énorme.

La solution : Le système "Féodal" (FeudalNav)

Les chercheurs ont créé FeudalNav. Le nom vient du système "féodal" (comme au Moyen Âge), où le travail est divisé entre un Roi, des Seigneurs et des Chevaliers. Au lieu qu'un seul cerveau essaie de tout gérer, le robot divise sa pensée en trois niveaux :

1. Le Roi (Le Gestionnaire de Haut Niveau) : "La Mémoire de l'Esprit"

Le Roi ne regarde pas où met le robot ses pieds. Son rôle est de garder une trace de l'endroit où on est déjà passé.

• L'analogie : Imaginez que vous dessinez des petits points de couleur sur un brouillon pour dire : "Ici, j'ai vu une cuisine", "Là, c'est le salon".
• La magie : Ce n'est pas une carte précise avec des mètres et des centimètres, mais une "carte de souvenirs". Le robot reconnaît les lieux par leur ressemblance visuelle. S'il revoit un mur blanc, il se dit : "Tiens, je connais ce mur, je suis déjà passé par là !"

2. Le Seigneur (Le Gestionnaire de Milieu Niveau) : "Le Guide"

Le Seigneur reçoit l'ordre du Roi et décide de la direction générale. Il ne s'occupe pas des obstacles, il regarde juste l'horizon.

• L'analogie : C'est comme si vous étiez dans une forêt et que vous vous disiez : "Le prochain grand chêne est par là-bas". Vous ne regardez pas chaque racine, vous visez juste le point lointain.
• L'astuce : Il a appris en observant des humains cliquer sur des écrans pour diriger des robots. Il sait donc instinctivement vers quel point "intéressant" se diriger.

3. Le Chevalier (L'Agent de Bas Niveau) : "L'Exécutant"

C'est lui qui fait le travail de terrain. Il est concentré sur l'instant présent.

• L'analogie : C'est le marcheur qui regarde ses pieds. Son seul but est de suivre la direction donnée par le Seigneur tout en évitant de se prendre les pieds dans un meuble ou de foncer dans un mur.

---

Pourquoi est-ce une révolution ?

1. C'est léger et rapide : Contrairement aux autres robots qui ont besoin de "muscles" informatiques géants et de des jours de calcul, FeudalNav est très économe. Il apprend beaucoup plus vite avec beaucoup moins de données.
2. Pas besoin de GPS ni de cartes : Il est totalement autonome dans des endroits totalement inconnus.
3. Le mode "Co-pilote" (Humain dans la boucle) : Les chercheurs ont ajouté une option géniale. Si le robot est perdu, un humain peut intervenir très simplement.
   • L'analogie : Ce n'est pas comme si vous preniez le volant pour conduire le robot à votre place. C'est plutôt comme si vous lui tapotiez l'épaule en disant : "Hé, ne va pas par là, reviens plutôt vers ce couloir !". Un tout petit peu d'aide humaine rend le robot incroyablement efficace.

En résumé

FeudalNav, c'est apprendre à un robot à naviguer non pas comme un ordinateur qui calcule des coordonnées, mais comme un humain qui se souvient des visages des pièces et qui vise des points de repère pour avancer.

Résumé technique

Résumé Technique : FeudalNav

1. Problématique (Le Problème)

La navigation visuelle pour la robotique vise à permettre à un agent de se déplacer dans des environnements inconnus en utilisant uniquement des indices visuels, sans avoir recours à des cartes métriques détaillées ou à un GPS. Les méthodes traditionnelles souffrent souvent de plusieurs limitations :

• Dépendance à l'odométrie : Beaucoup de modèles nécessitent des données de mouvement précises (capteurs de pose) pour construire des cartes ou calculer des récompenses.
• Complexité des graphes : Les approches basées sur des graphes topologiques peuvent devenir gourmandes en mémoire et difficiles à mettre à jour.
• Coût de l'apprentissage par renforcement (RL) : L'utilisation du RL pour la navigation nécessite souvent des millions d'itérations et une puissance de calcul massive (plusieurs jours de GPU).

L'objectif de FeudalNav est de proposer une méthode de navigation par objectif d'image (image-goal navigation) qui soit sans odométrie, sans graphe et sans apprentissage par renforcement (no-RL).

2. Méthodologie (L'Approche)

Les auteurs proposent un cadre hiérarchique inspiré de l'apprentissage féodal (feudal learning), qui décompose la tâche de navigation en trois niveaux distincts opérant à des échelles spatiales et temporelles différentes :

• Niveau Supérieur : Le Manager de Haut Niveau (Mémoire)
  Il gère la mémoire de l'agent via une Memory Proxy Map (MPM). Au lieu d'un graphe, la MPM est une carte dans un espace latent 2D appris par apprentissage contrastif auto-supervisé (via la méthode Synchronous Momentum Grouping - SMoG). Cette carte permet à l'agent de reconnaître les zones déjà visitées en se basant sur la similarité visuelle des images, servant ainsi de substitut à la distance métrique.

• Niveau Intermédiaire : Le Manager de Niveau Moyen (Direction)
  Il utilise un réseau appelé WayNet. Ce réseau est entraîné par apprentissage supervisé à imiter les politiques d'exploration humaine (à partir du jeu de données LAVN). WayNet prédit des points de passage (waypoints) visibles dans l'image pour guider l'agent vers des sous-objectifs, agissant comme un pont entre la stratégie globale et l'action locale.

• Niveau Inférieur : L'Agent Travailleur (Action)
  Le "Worker" est responsable du mouvement local. Il prend des décisions d'action immédiates (tourner à gauche/droite, avancer) en fonction de la carte de profondeur (depth map) et du point de passage fourni par WayNet. Contrairement aux approches classiques, un simple classificateur MLP est utilisé ici au lieu d'un agent RL.

3. Contributions Clés

1. MPM (Memory Proxy Map) : Une représentation de la mémoire en espace latent qui permet une navigation efficace sans odométrie ni graphes explicites.
2. WayNet : Un réseau de prédiction de points de passage qui transfère les compétences d'exploration humaine vers l'agent de manière efficace.
3. Architecture Hiérarchique Féodale : Une décomposition de la tâche qui permet d'utiliser des modèles plus légers et spécialisés à chaque niveau.
4. Interaction Humain-Robot : L'introduction d'un cadre où un humain peut intervenir via un graphe de points de repère (landmark graph) pour corriger les erreurs de l'agent, améliorant ainsi considérablement le succès.

4. Résultats

Les tests ont été effectués dans l'environnement de simulation Habitat AI (scènes Gibson) :

• Performance : FeudalNav surpasse largement les méthodes basées sur le RL (comme DDPPO) et le clonage de comportement (BC) en termes de taux de réussite (Success Rate) et de longueur de chemin optimisée (SPL).
• Efficacité de l'apprentissage : Le modèle nécessite plusieurs ordres de grandeur de moins de données et de puissance de calcul que les méthodes de l'état de l'art (SOTA).
• Robustesse : L'agent obtient des résultats compétitifs même sur des trajectoires courbes, ce qui est plus représentatif des situations réelles.
• Collaboration humaine : L'ajout d'une intervention humaine minimale (feedback) permet d'atteindre des taux de réussite supérieurs à toutes les méthodes SOTA purement autonomes.

5. Signification (L'Impact)

Ce travail démontre qu'une navigation visuelle performante ne nécessite pas nécessairement des infrastructures de données lourdes (odométrie, cartes 3D, RL intensif). En imitant la manière dont les humains utilisent des cartes mentales basées sur la reconnaissance visuelle et des sous-objectifs, FeudalNav offre une voie vers des robots plus légers, plus rapides à entraîner et capables de collaborer intuitivement avec des humains dans des environnements non cartographiés.