Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution

I robot hanno lottato a lungo per muoversi nel mondo con la lungimiranza di una creatura vivente. Sebbene le macchine moderne possano reagire istantaneamente a ciò che vedono, spesso mancano della capacità di immaginare cosa accadrà dopo. I sistemi di navigazione tradizionali operano come un conducente che guarda solo la strada direttamente davanti all'auto, reagendo agli ostacoli man mano che appaiono, ma incapace di pianificare un percorso per aggirare un vicolo cieco prima che sia troppo tardi. Per dare ai robot questo tipo di lungimiranza, gli scienziati hanno sviluppato i "modelli del mondo" (world models), che sono essenzialmente simulatori interni che permettono a una macchina di immaginare diversi futuri prima di muoversi. Tuttavia, un grande ostacolo ha impedito che questi simulatori venissero utilizzati in tempo reale su robot fisici: il processo di verifica di questi futuri immaginati è troppo lento. Gli attuali metodi richiedono al robot di generare miglia di potenziali percorsi, convertire ciascuno di essi in un'immagine dettagliata per verificarne la sicurezza e poi scartare quelli cattivi. Questo ciclo di creazione e controllo delle immagini è così pesante dal punto di vista computazionale che causa il blocco del robot, rendendo impossibile la navigazione in tempo reale.

Un nuovo approccio chiamato Hydra, sviluppato da ricercatori di diverse università, risolve questo problema cambiando il modo in cui il robot pensa al movimento. Invece di cercare di immaginare ogni possibile futuro con dettagli in alta definizione, Hydra impara a pensare in concetti di movimento ampi e discreti, in modo simile a come un essere umano potrebbe pensare a una "svolta a sinistra" o a un "percorso rettilineo" piuttosto che calcolare l'angolo esatto di ogni rotazione della ruota. I ricercatori hanno costruito un sistema in cui il pianificatore del robot vive all'interno del simulatore stesso, cercando il percorso migliore all'interno di una mappa compressa e astratta di possibilità, piuttosto che in uno spazio vasto e aperto di pixel. Ciò consente al robot di valutare migliaia di potenziali futuri in una frazione di secondo, scartando i percorsi pericolosi prima ancora che vengano disegnati completamente. Una volta scelto un percorso sicuro, il sistema traduce quel concetto astratto in movimenti fluidi e continui che i motori del robot possono eseguire.

L'innovazione fondamentale risiede in una tecnica che gli autori chiamano pianificazione latente discreta (discrete latent planning). Nei sistemi precedenti, un robot che tenta di navigare in un corridoio potrebbe generare un flusso continuo di traiettorie possibili, molte delle quali lo porterebbero direttamente contro un muro. Il sistema dovrebbe quindi renderizzare ciascuna di queste traiettorie in un'immagine visiva per vedere se si verifica una collisione, un processo che richiede troppo tempo per un robot in movimento. Hydra evita questo collo di bottiglia costringendo le sue previsioni attraverso un filtro specializzato che raggruppa movimenti simili in un piccolo vocabolario fisso di intenzioni. Quando il robot considera un futuro, non genera un'immagine sfocata di uno scontro; invece, seleziona un token dal suo vocabolario appreso che rappresenta una "svolta sicura" o una "collisione". Poiché questi token sono tratti da un elenco finito di azioni fisicamente possibili, il robot può riconoscere istantaneamente che un percorso che porta contro un muro è invalido senza nemmeno dover visualizzare lo scontro. Questo passaggio dal tentativo continuo alla selezione discreta permette al sistema di eliminare le opzioni pericolose quasi immediatamente, concentrando la sua potenza di calcolo solo su percorsi che sono già noti per essere plausibili.

Per garantire che queste scelte astratte si traducano in un movimento fisico fluido, Hydra accoppia questa pianificazione discreta con un metodo di esecuzione continua. Una volta che il robot seleziona il percorso astratto migliore, un sistema secondario converte quella scelta nelle comandi precisi e fluidi necessari per far girare le ruote. Questo processo in due fasi — pianificare in uno spazio semplificato e astratto e poi eseguire nel mondo reale — permette al robot di mantenere la sicurezza di un simulatore con la velocità di un conducente reattivo. I ricercatori hanno testato questo sistema su due diversi robot fisici, un veicolo a ruote e un robot quadrupede simile a un cane, in vari ambienti tra cui corridoi stretti e aree con ostacoli nascosti. In queste prove, il sistema è riuscito a pianificare percorsi privi di collisioni verso obiettivi situati a circa otto metri in meno di un secondo, una velocità che è circa cinquecentoventi volte più veloce dei metodi precedenti che si basavano sulla generazione e il controllo di immagini complete.

I risultati di questi test fisici evidenziano un divario significativo tra il vecchio modo di pensare e il nuovo. Quando i ricercatori hanno confrontato Hydra con i sistemi esistenti che utilizzano il campionamento continuo, i metodi più vecchi non sono riusciti a navigare attorno agli ostacoli, spesso andando a sbattere perché passavano troppo tempo a calcolare percorsi impossibili. Hydra, al contrario, ha ottenuto un tasso di successo perfetto in ambienti privi di ostacoli e ha navigato con successo attorno a angoli nascosti e ostacoli nella striscia più ampia di prove. Il sistema è stato anche in grado di rilevare collisioni imminenti notando quando un percorso proposto non si adattava al suo vocabolario appreso di movimenti sicuri, un segnale che appariva molto prima che il robot colpisse fisicamente qualcosa. Questa capacità di rifiutare percorsi non sicuri basandosi sulla loro struttura astratta, piuttosto che sul loro aspetto visivo, si è dimostrata un modo robusto per garantire la sicurezza senza rallentare il processo decisionale.

Nonostante questi successi, i ricercatori riconoscono che il sistema non è privo di limitazioni. Il metodo di raggruppare i movimenti in un vocabolario fisso significa che il robot a volte fatica a distinguere tra un vero ostacolo e un'area visivamente complessa ma sicura, come una zona di fitta vegetazione. Poiché il sistema si basa sulla difficoltà di ricostruire una scena dai suoi codici astratti, gli ambienti altamente testurizzati possono talvolta innescare falsi allarmi, causando l'esitazione del robot dove potrebbe passare in sicurezza. Inoltre, l'attuale sistema ha difficoltà a rappresentare oggetti dinamici come le persone, spesso "levigandoli" nello sfondo invece di trattarli come entità distinte da evitare. Queste sfide suggeriscono che, sebbene l'approccio discreto sia un passo avanti potente, le versioni future dovranno affinare il modo in cui rappresentano il mondo per gestire la piena complessità degli ambienti umani.

In definitiva, questo lavoro dimostra che i robot possono ottenere una pianificazione in tempo reale e orientata all'obiettivo pensando in termini di concetti piuttosto che di pixel. Spostando il processo di pianificazione all'interno del simulatore e limitando la ricerca a un insieme appreso di movimenti validi, i ricercatori hanno creato un sistema che è sia veloce che sicuro. I risultati suggeriscono che la chiave per scalare i modelli del mondo per i robot fisici non è renderli più dettagliati, ma renderli più strutturati, permettendo loro di immaginare il futuro in un modo che sia computazionalmente efficiente e fisicamente fondato. Questo approccio offre una strada promettente verso robot capaci di navigare nel mondo reale con la stessa intuizione lungimirante che gli esseri umani usano ogni giorno.