💻 computer science

FLUX: Accelerating Cross-Embodiment Generative Navigation Policies via Rectified Flow and Static-to-Dynamic Learning

Dit paper introduceert FLUX, een geünificeerde navigatiebeleid dat via rectified flow en een statisch-naar-dynamisch leertraject de inferentie-efficiëntie en sociale vaardigheden verbetert, terwijl het tegelijkertijd state-of-the-art prestaties levert op een nieuw dynamisch benchmark en zero-shot transfer naar diverse robotplatforms mogelijk maakt.

Oorspronkelijke auteurs: Zeying Gong, Yangyi Zhong, Yiyi Ding, Tianshuai Hu, Guoyang Zhao, Lingdong Kong, Rong Li, Jiadi You, Junwei Liang

Gepubliceerd 2026-03-16

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zeying Gong, Yangyi Zhong, Yiyi Ding, Tianshuai Hu, Guoyang Zhao, Lingdong Kong, Rong Li, Jiadi You, Junwei Liang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot wilt bouwen die niet alleen door een leeg kantoor kan lopen, maar ook door een drukke supermarkt, een schoolplein of een volle treinhalte. Dat is enorm moeilijk. De ene robot is goed in het vinden van een doel in een stilte, maar raakt in paniek als er mensen om hem heen lopen. De andere is slim in het ontwijken van mensen, maar kan niet goed navigeren in een compleet nieuw gebouw.

De onderzoekers van dit paper hebben een oplossing bedacht genaamd FLUX. Het is als een "super-leraar" voor robots die hen leert om in elke situatie te bewegen, of ze nu op wielen, vier poten of twee benen lopen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Twee Werelden"

Vroeger waren robot-navigatie-systemen als twee verschillende scholen:

School A (Statisch): Leerde robots om door lege gangen te lopen. Ze waren snel, maar als er plotseling iemand voorbij liep, wisten ze niet wat ze moesten doen.
School B (Dynamisch): Leerde robots om mensen te ontwijken, maar ze waren vaak traag en niet erg slim als het ging om het vinden van een bestemming in een nieuw gebouw.

De onderzoekers zeiden: "Waarom twee scholen? Laten we één school bouwen die alles leert."

2. De Oplossing: FLUX (De "Rechte Lijn" Methode)

De kern van FLUX is een slimme wiskundige truc.
Stel je voor dat je een robot een opdracht geeft: "Ga naar die deur."

De oude manier (Diffusie): Dit is alsof de robot eerst een willekeurige, rommelige lijn tekent, die lijn een beetje gladstrijkt, weer een beetje, en dat 10 of 20 keer herhaalt voordat hij weet waar hij naartoe moet. Het is als een schilder die eerst een heleboel verfbekken leegmaakt voordat het schilderij klaar is. Het duurt te lang.
De FLUX-methode (Rectified Flow): FLUX leert de robot om direct een rechte lijn te tekenen van punt A naar punt B. Geen omwegen, geen geklaag. Het is alsof je een laserstraal gebruikt in plaats van een kwast. Hierdoor is de robot 47% sneller in het nemen van beslissingen.

3. De Leermethode: Eerst Rustig, Dan Chaos

FLUX volgt een slim curriculum (een leerplan) dat ze "Static-to-Dynamic" noemen:

Fase 1 (De rustige oefening): De robot leert eerst in een stille, lege wereld. Hij leert de basis: "Hoe kom ik van de deur naar het raam?" Hij bouwt een stevig fundament van geometrie.
Fase 2 (De chaos-training): Pas daarna wordt de robot in een drukke, chaotische wereld gegooid met rennende mensen. Omdat hij de basis al perfect beheerst, kan hij zich nu focussen op het sociale aspect: "Hoe loop ik langs die persoon zonder hem aan te raken?"

Dit is als een pianist die eerst alleen de noten leert spelen in een stille kamer, en pas daarna gaat oefenen met een orkest dat om hem heen speelt. Het resultaat? De robot wordt niet alleen beter in drukke situaties, maar ook nog beter in de stille situaties, omdat hij leert hoe hij uit moeilijke situaties kan ontsnappen.

4. De "Magische" Eigenschap: Eén Brein, Drie Lichamen

Het meest indrukwekkende deel is dat FLUX één enkel brein heeft dat werkt voor drie totaal verschillende robot-lichamen:

Een robot op wielen (zoals een stofzuiger).
Een robot op vier poten (zoals een hond).
Een robot op twee benen (een humanoïde).

Meestal moet je voor elk type robot een nieuwe software schrijven. FLUX is zo flexibel dat je het gewoon op een andere robot kunt zetten en het werkt direct, zonder extra aanpassingen. Het is alsof je een rijbewijs haalt dat geldig is voor een fiets, een motor én een vrachtwagen, zonder dat je opnieuw hoeft te leren rijden.

5. De Test: DynBench

Om te bewijzen dat het werkt, hebben ze DynBench gemaakt. Dit is een nieuwe "sportzaal" voor robots. In plaats van simpele, statische tests, is dit een virtuele wereld vol met mensen die zich natuurlijk gedragen (niet als robots die alleen maar rechtuit lopen). Ze testen de robots op zes verschillende vaardigheden, van het vinden van een doel in een lege kamer tot het navigeren door een drukke menigte.

Samenvatting

FLUX is de eerste robot-navigatie die:

Snel is (door de "rechte lijn" methode).
Slim is (leert eerst rustig, dan in chaos).
Veilig is (weet precies hoe dicht hij bij mensen mag komen).
Veelzijdig is (werkt op wielen, poten én benen).

Het is een grote stap voorwaarts om robots echt klaar te maken voor de echte wereld, waar het altijd druk, chaotisch en onvoorspelbaar is.

Probleemstelling

Autonome navigatie vereist een breed scala aan vaardigheden, variërend van statisch doelbereik tot dynamische traversie in drukke, menselijke omgevingen. Huidig onderzoek is echter sterk gefragmenteerd:

Gefragmenteerde Evaluatie: Bestaande benchmarks testen statische beleid vaak niet onder sociale druk, terwijl methoden voor sociale navigatie vaak ontbreken in diverse taakmodi en op heterogene platformen.
Beperkingen van Bestaande Methodes:
- Deterministische methodes (RL, IL) generaliseren slecht over verschillende taken en kunnen de multi-modale aard van veilige herstelgedragingen in drukke ruimtes niet vastleggen.
- Generatieve methodes (zoals Diffusion-modellen) kunnen wel multi-modale trajecten genereren, maar lijden onder hoge inferentielatentie door iteratieve denoising, wat real-time toepassing belemmert.
Het Leerparadigma: Er is een gebrek aan inzicht in hoe trainingsdistributies (statisch vs. dynamisch) cross-taak generalisatie beïnvloeden.

Methodologie: FLUX

De auteurs stellen FLUX voor, het eerste flow-based unified navigatiebeleid dat cross-embodiment (verschillende robotvormen) navigatie mogelijk maakt. De aanpak bestaat uit twee kerncomponenten:

1. Rectified Flow voor Efficiënte Generatie

In plaats van iteratieve denoising (zoals bij Diffusion-modellen) te gebruiken, lineariseert FLUX de waarschijnlijkheidsstroom (probability flow).

Rectified Flow (RF): Dit model leert een snelheidsveld dat ruis ( $\tau_0$ ) rechtstreeks naar experttrajecten ( $\tau_1$ ) transporteert langs rechte lijnen, in plaats van gebogen paden.
Voordeel: Dit vervangt iteratieve denoising door rechte lijntrajecten, wat het aantal benodigde stappen (NFE) vermindert en de inferentie-efficiëntie aanzienlijk verhoogt zonder in te leveren op kwaliteit.
Architectuur: Een conditionele generatieve model (Transformer-decoder) die waarnemingen omzet in een reeks kandidaat-trajecten.

2. Static-to-Dynamic Curriculum Learning

FLUX volgt een twee-staps trainingsparadigma:

Stap 1: Flow-based Imitation Learning (IL): Het beleid wordt vooraf getraind op statische experttrajecten om geometrische priors te leren. Hierbij wordt gebruikgemaakt van Rectified Flow om diverse, hoogwaardige kandidaat-paden te genereren.
Stap 2: GRPO-based Reinforcement Learning (RL): Het beleid wordt verder verfijnd in dynamische omgevingen (met mensen) met behulp van Group Relative Policy Optimization (GRPO).
- De generatieve backbone levert een natuurlijke groep van $M$ kandidaat-trajecten, die dienen als referentie voor GRPO. Dit elimineert de noodzaak voor een aparte waarde-functie criticus.
- De beloning (reward) combineert doelbereik met sociale naleving (proxemische zones) en straft botsingen of vastlopen af.
- Kerninzicht: Door eerst statisch te leren en daarna dynamisch te verfijnen, verbetert het beleid niet alleen de sociale navigatie, maar versterkt het ook de robuustheid voor statische taken door herstelgedragingen te leren.

Nieuwe Benchmark: DynBench

Om deze methodes te evalueren, introduceren de auteurs DynBench, een benchmark die statische protocollen uitbreidt met fysiek geldige meningsimulaties.

Kenmerken: Gebruikt een hiërarchische Markov Finite State Machine (FSM) voor menselijk gedrag, gecombineerd met NavMesh-globale planning en geometrische lokale botsingsvermijding. Dit resulteert in natuurlijkere interacties dan bestaande benchmarks (die vaak ORCA of random walks gebruiken).
Taken: De benchmark ondersteunt zes fundamentele taken: PointNav, ImageNav, Exploration (statisch) en Dyn. PointNav, SocialNav, Dyn. Exploration (dynamisch).

Belangrijkste Resultaten

1. Prestaties in Simulatie

FLUX bereikt state-of-the-art (SOTA) prestaties over alle zes taken:

Statische Taken: Verbetering ten opzichte van de vorige SOTA (NavDP) in PointNav (+3.1% SR, +3.8% SPL) en Exploration.
Dynamische Taken: FLUX toont superieure robuustheid. Bijvoorbeeld, bij SocialNav stijgt het succespercentage naar 64,0% (vs. 59,3% bij NavDP) met een significante daling in botsingen (van 21 naar 16 per episode).
Efficiëntie: Door de linearisatie van de flow is FLUX 47% sneller dan eerdere flow-methoden en 29% sneller dan diffusion-based methoden bij gelijke kwaliteit. Het kan zelfs met slechts 6 stappen (Euler steps) werken met hoge kwaliteit.

2. Sim-to-Real Transfer (Cross-Embodiment)

Een unieke prestatie is de zero-shot transfer naar drie volledig verschillende robotplatformen zonder enige fine-tuning:

Platformen: Een wielerobot (Unitree Go2-W), een viervoeter (Unitree Go2) en een humanoid robot (Unitree G1).
Resultaat: Ondanks fundamentele verschillen in morfologie, camerahoogte en bewegingspatronen (bijv. schokken bij viervoeters, pitch/roll bij humanoiden), navigeert FLUX succesvol in echte omgevingen met statische obstakels en dynamische mensen.

Bijdragen en Significantie

Efficiëntie en Generalisatie: FLUX overbrugt de kloof tussen multi-modale trajectgeneratie en efficiënte robotbesturing door Rectified Flow te gebruiken, wat leidt tot snellere inferentie en betere prestaties dan diffusion-modellen.
Leerparadigma: Het paper demonstreert dat een "statisch-naar-dynamisch" curriculum (IL gevolgd door GRPO) leidt tot positieve transfer; het leren van sociale vaardigheden verbetert ook de prestaties in statische omgevingen.
Universeel Beleid: Het bewijst dat één enkel beleid effectief kan zijn voor verschillende robotvormen (cross-embodiment) en diverse navigatietaken, wat een stap is naar echt universele autonome navigatie.
Benchmarks: DynBench biedt een gestandaardiseerde, fysiek realistische evaluatieomgeving die de huidige gefragmenteerde benchmarks vervangt.

Conclusie:
FLUX vertegenwoordigt een doorbraak in robotnavigatie door de combinatie van geavanceerde generatieve modellen (Rectified Flow) met een slim trainingscurriculum. Het lost het probleem van trage inferentie op, verbetert de sociale veiligheid en toont aan dat robuuste, platform-onafhankelijke navigatie haalbaar is zonder per-platform aanpassingen.