NavWAM: A Navigation World Action Model for Goal-Conditioned Visual Navigation

Riepilogo Tecnico: NavWAM - Un Modello di Azione per il Mondo della Navigazione per la Navigazione Visiva Condizionata all'Obiettivo

1. Definizione del Problema

La navigazione visiva condizionata all'obiettivo richiede che un robot navighi da osservazioni egocentriche parziali verso un obiettivo specificato (ad esempio, un'immagine target). Sebbene le recenti policy dirette possano mappare le osservazioni in azioni in modo efficiente, esse spesso mancano di una previsione visiva esplicita — la capacità di anticipare come il proprio movimento altererà le viste future e se tali cambiamenti porteranno più vicini all'obiettivo.

Al contrario, i Modelli del Mondo della Navigazione (NWM - Navigation World Models) prevedono esplicitamente le future osservazioni egocentriche condizionate a potenziali azioni. Tuttavia, gli NWM funzionano come moduli di predizione piuttosto che come policy di controllo. Essi si affidano a un pianificatore esterno (tipicamente utilizzando il Cross-Entropy Method, CEM) per cercare tra sequenze di azioni candidate, valutare i futuri previsti e selezionare l'azione migliore da eseguire. Questa separazione crea un collo di bottiglia:

1. Overhead Computazionale: È richiesta l'ottimizzazione della traiettoria al tempo di test.
2. Disaccoppiamento: Il modello del mondo appreso non produce direttamente azioni eseguibili; il comportamento a ciclo chiuso dipende dalle scelte del pianificatore esterno piuttosto che dalla rappresentazione interna del modello stesso.

La domanda centrale affrontata da questo lavoro è: Come può la previsione visiva esplicita essere resa direttamente utilizzabile per il controllo a ciclo chiuso eseguibile senza fare affidamento sulla pianificazione esterna?

2. Metodologia: NavWAM

Gli autori propongono NavWAM (Navigation World Action Model), una policy diffusion-transformer che unifica la predizione futura, la stima del valore e la generazione di azioni in un unico problema di predizione congiunta.

Architettura Core

NavWAM si basa su Cosmos Predict2, un modello del mondo video diffusion-transformer pre-addestrato. Invece di utilizzare il modello esclusivamente per prevedere viste future per la pianificazione esterna, NavWAM tratta le variabili di navigazione come una sequenza latente condivisa (una "tela latente" o latent canvas).

• Rappresentazione della Tela Latente (Latent Canvas): Il modello opera su una sequenza latente fissa di nove frame.
  • Frame di Condizionamento (Osservati): Un frame vuoto (per la compressione temporale VAE), lo stato attuale del robot, l'immagine dell'obiettivo e l'osservazione egocentrica corrente.
  • Frame di Predizione (Generati): Un chunk di azioni eseguibili, uno stato futuro, due osservazioni egocentriche future e un valore scalare di progresso verso l'obiettivo.
• Obiettivo Unificato: Il modello impara a denoisare l'intera sequenza simultaneamente. Ciò trasforma la navigazione in un problema di denoising congiunto su:
  1. Percezione Futura: Predire le viste egocentriche future ($o_{t+H-1:t+H}$).
  2. Progresso verso l'Obiettivo: Stimare un valore scalare ($v_{t+H}$) che indica la vicinanza all'obiettivo.
  3. Movimento Eseguibile: Generare chunk di azioni ($a_{t:t+H-1}$).

Addestramento e Inferenza

• Addestramento: Il modello viene addestrato utilizzando un obiettivo di diffusione ($L_{diff}$) sulla tela latente. Il frame dell'azione viene pesato maggiormente per garantire che il segnale d'azione a bassa dimensionalità non sia dominato dalla perdita di ricostruzione dell'immagine ad alta dimensionalità. Vengono utilizzati tre modi di addestramento:
  1. Modalità Policy: Condiziona su stato corrente/osservazione/obiettivo; predice azione, futuro e valore.
  2. modo World-Model: Condiziona anche sull'azione; predice il futuro/valore risultante.
  3. Modalità Value: Condiziona sui frame futuri; predice il valore.
• Inferenza: Nella Modalità Policy predefinita, NavWAM prende l'osservazione corrente e l'obiettivo, denoise la sequenza e restituisce direttamente un chunk di azioni. Questo chunk viene eseguito in un loop a orizzonte ricorrente (receding-horizon loop).
  • Nessun Pianificatore Esterno: A differenza degli NWM, NavWAM non richiede ricerca tramite CEM o campionamento di candidati durante l'inferenza standard.
  • Best-of-N Opzionale: Il modello supporta una modalità opzionale in cui $N$ candidati vengono campionati e valutati utilizzando le teste ausiliarie del modello del mondo/valore, ma i risultati primari utilizzano la modalità policy predefinita.

3. Contributi Chiave

1. Policy NavWAM: Una nuova architettura che converte la previsione visiva in stile NWM in una policy che produce azioni per la navigazione visiva condizionata all'obiettivo.
2. Formulazione di Predizione Congiunta: Un metodo per rappresentare osservazioni future, valori di progresso verso l'obiettivo e chunk di azioni eseguibili in una sequenza latente condivisa, permettendo alla previsione futura di supportare direttamente la generazione di azioni a ciclo chiuso.
3. Performance senza Ricerca: Dimostrazione che NavWAM migliora rispetto alle baseline dei modelli del mondo basate sulla pianificazione senza l'ottimizzazione della traiettoria al tempo di test tramite CEM, pur rimanendo competitivo con le grandi policy di navigazione diretta.

4. Risultati Sperimentali

Gli autori hanno valutato NavWAM sulla navigazione con obiettivo d'immagine utilizzando GO STANFORD (per il confronto con NWM) e SIT (per il confronto con OmniVLA). La validazione nel mondo reale è stata eseguita su un robot mobile Diablo in quattro ambienti interni.

Benchmark Offline (GO STANFORD)

• vs. Baseline Basate su Pianificazione: NavWAM ha superato significativamente Cosmos Predict2 e NWM in Errore di Traiettoria Assoluto (ATE) ed Errore di Posa Relativo (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.
• Preservazione della Previsione (Foresight): Nonostante sia una policy che produce azioni, NavWAM mantiene un'alta Consistenza del Soggetto (somiglianza visiva tra le viste future predette e quelle reali) superando NWM (0.668 vs. 0.524).
• Ablazione: Lo studio ha dimostrato che la sola predizione futura dell'immagine è insufficiente per la navigazione. L'aggiunta della supervisione di azione e valore è stata critica, con la supervisione del valore che fornisce le migliori prestazioni.

Confronto con Policy Dirette (SIT)

• vs. OmniVLA: NavWAM (utilizzando un backbone video da 2B di parametri) ha ottenuto risultati comparabili o leggermente migliori in ATE e Success Rate (SR) rispetto a OmniVLA (costruito su un backbone OpenVLA da 7B di parametri).
  • NavWAM: ATE 0.077 (h=4), SR 46.3%.
  • OmniVLA: ATE 0.086 (h=4), SR 45.4%.

Implementazione nel Mondo Reale

• Configurazione: 24 episodi a ciclo chiuso in ambienti Office, Storage, Meeting Room e Hallway.
• Success Rate: NavWAM ha raggiunto il più alto tasso di successo (79.2%, 19/24 episodi), rispetto a OmniVLA (58.3%) e NWM (16.7%).
• Comportamento Qualitativo: NavWAM ha dimostrato un raggiungimento costante dell'obiettivo, mentre NWM spesso deviava e OmniVLA a volte si fermava prima del traguardo o prendeva percorsi meno diretti. I test nel mondo reale hanno confermato che le viste future predette corrispondono qualitativamente alle successive osservazioni reali.

5. Significato e Rivendicazioni

Il paper afferma che NavWAM colma con successo il divario tra la previsione visiva e il controllo eseguibile. Il suo significato primario risiede nel dimostrare che:

1. La previsione visiva non deve essere un modulo di pianificazione separato. Integrando la predizione futura, la stima del valore e la generazione di azioni in un'unica sequenza latente, il modello impara a usare la previsione direttamente per il controllo.
2. Efficienza: È possibile ottenere una navigazione ad alte prestazioni senza il costo computazionale dell'ottimizzazione della traiettoria tramite CEM al tempo di test.
3. Scalabilità: Un modello con un backbone da 2 miliardi di parametri può competere con le policy dirette da 7 miliardi di parametri, fornendo al contempo l'interpretabilità aggiuntiva delle predizioni delle viste future.

Gli autori concludono che la predizione futura è più efficace per la navigazione robotica quando appresa congiuntamente con i target di azione e valore che determinano il comportamento a ciclo chiuso, piuttosto che come un passaggio di pianificazione separato.

Limitazioni

Gli autori notano con modestia che:

• La valutazione è attualmente limitata alla navigazione con obiettivo d'immagine in ambienti interni; l'uso di obiettivi basati su linguaggio o oggetti è un lavoro futuro.
• Lo studio nel mondo reale è limitato nella scala (24 episodi).
• La modalità opzionale di campionamento best-of-N guidata dal valore non è stata utilizzata nei risultati principali, e il suo impatto sulla robustezza deve ancora essere studiato.