Resumo Técnico: VISTA – Navegação Visual Sensível à Escala via Condicionamento de Histórico de Ações

1. Formulação do Problema

Modelos de Fundação de Navegação Visual (VNMs) visam fornecer políticas aprendidas de ponta a ponta capazes de implantação zero-shot em diversos corpos robóticos e ambientes. Para alcançar essa generalidade, os modelos de estado da arte atuais (ex: ViNT, NoMaD) preveem ações normalizadas, onde os pontos de passagem (waypoints) 2D são divididos pelo espaçamento médio de waypoints observado no conjunto de dados de treinamento.

No entanto, essa normalização introduz uma vulnerabilidade crítica na implantação: o desalinhamento métrico.

• A Ambiguidade: Sem o conhecimento explícito do tamanho do passo físico pretendido, o modelo deve inferir a escala unicamente através de observações visuais sequenciais.
• A Consequência: Aplicar diferentes fatores de escala (baseados na velocidade do robô ou frequência de controle) à mesma trajetória normalizada altera sua geometria física. Isso leva a trajetórias físicas incorretas, desempenho de navegação degradado e aumento dos riscos de colisão, particularmente em ambientes com repetição visual ou baixa distintividade.
• Limitações do Encoder: Modelos puramente visuais frequentemente lutam em ambientes sem características (ex: corredores uniformes, neve) devido à falta de compreensão geométrica explícita e extração de características frágeis.

2. Metodologia: Arquitetura VISTA

Os autores propõem o VISTA (Scale-Aware Visual Navigation via Action History Conditioning), uma nova arquitetura projetada para fundamentar as previsões de ação na escala física, mantendo a generalidade entre diferentes corpos. O método modifica os VNMs convencionais de duas formas principais:

A. Condicionamento de Histórico de Ações

Em vez de depender apenas de observações visuais ($O_t$) e uma imagem de objetivo ($o_g$), o VISTA condiciona a política em um histórico de ações normalizado ($H_t$).

• Definição: $H_t = \{a_{t-k+1}, \dots, a_{t-1}\}$, onde cada $a_i$ representa um deslocamento passado do robô normalizado pelo tamanho do passo.
• Mecanismo: Um MLP codifica este histórico em tokens. Ao condicionar em $H_t$, o modelo aprende a relacionar o deslocamento visual observado com o tamanho do passo físico.
• Benefício: Isso permite que o modelo gere waypoints alinhados metricamente que permanecem robustos a variações na velocidade do robô ($v_{max}$) e na frequência de controle ($f_{ctrl}$), resolvendo efetivamente a ambiguidade da inferência de escala.

B. Encoder Visual DINOv3

Para abordar a fragilidade dos encoders em ambientes pobres em características, o VISTA substitui os encoders padrão pelo DINOv3 (um Vision Transformer auto-supervisionado treinado em dados de larga escala curados).

• Capacidade: O DINOv3 fornece representações mais ricas que capturam tanto o entendimento semântico de alto nível quanto características espaciais finas.
• Tokenização: Sequências de imagens de observação e de objetivo são processadas pelo DINOv3 (ViT-S) em tokens de patch, que são então projetados e reduzidos (down-sampled) para alinhar as dimensões das características.

C. Estratégia de Treinamento

• Treinamento Métrico Normalizado: O modelo é treinado para prever waypoints normalizados e distâncias métricas normalizadas.
• Espaçamento Variável: Diferente de trabalhos anteriores treinados em frequências fixas (ex: 3Hz/4Hz), o VISTA é treinado em conjuntos de dados com frequências de amostragem variando de 2Hz a 12Hz para garantir robustez a diferentes velocidades.
• Função de Perda: Uma perda multitarefa combina a previsão de ação (MSE em waypoints normalizados) e a previsão de distância (MSE em distâncias métricas normalizadas até o objetivo), balanceadas por um coeficiente $\lambda$.

3. Principais Contribuições

1. Análise de Desalinhamento Métrico: O artigo identifica e analisa o modo de falha dos VNMs convencionais, onde a inferência de escala apenas a partir de entradas visuais é insuficiente, levando ao desvio de trajetória sob diferentes condições de implantação.
2. Arquitetura VISTA: Um novo framework que integra o Condicionamento de Histórico de Ações para fundamentar as previsões na escala física e o DINOv3 para uma representação visual robusta.
3. Generalização Zero-Shot: O modelo alcança uma implantação zero-shot robusta em diversos ambientes sem necessidade de calibração específica do ambiente ou ajuste fino (fine-tuning).

4. Resultados Experimentais

Avaliação Offline (Consistência de Escala)

• Configuração: Os modelos foram testados com as mesmas entradas enquanto variavam o espaçamento temporal das observações passadas (simulando diferentes tamanhos de passo).
• Métrica: Erro de trajetória transversal (cross-track error) entre trajetórias previstas sob diferentes espaçamentos.
• Descobertas: O VISTA demonstrou erros de trajetória transversal significativamente menores em comparação aos baselines (ViNT, NoMaD). Embora o VISTA sem Histórico de Ação (VISTA w/o AH) tenha mostrado boa consistência de escala, o modelo VISTA completo alcançou os menores erros de previsão, indicando que o histórico de ações melhora a precisão da trajetória ao mesmo tempo que preserva a consistência de escala.

Implantação Zero-Shot no Mundo Real

Experimentos foram conduzidos em três ambientes distintos: Outdoor (campo aberto), Floresta (visualmente densa) e Escritório-Laboratório (corredores visualmente repetitivos e curvas fechadas).

• Taxas de Sucesso:
  • Outdoor: O VISTA alcançou 100% de precisão na previsão do objetivo (3/3 tentativas) e 95% de travessia do Mapa Topológico de Caminho (PTN).
  • Floresta: O VISTA alcançou 100% de previsão de objetivo (5/5 tentativas), superando os baselines que sofreram com identificação incorreta do objetivo.
  • Escritório-Laboratório: O VISTA alcançou 100% de sucesso (5/5 tentativas), navegando com sucesso por batentes de portas estreitos e identificando a porta alvo correta. Em contraste, o VISTA w/o AH e outros baselines frequentemente colidiram ou falharam em identificar a porta correta.
• Robustez ao Tamanho do Passo: Em um experimento de curva acentuada com frequências de controle variadas (1–4 Hz) e velocidades (0.1–0.4 m/s), o VISTA manteve o sucesso na maioria das configurações. Baselines como o ViNT falharam consistentemente em baixas velocidades devido à incapacidade de se adaptar às mudanças no tamanho do passo.
• Robustez a Perturbações: O VISTA lidou com sucesso com perturbações dinâmicas (ex: uma porta fechada no mapa topológico, mas aberta na realidade) ao desacelerar e parar, e manteve a consistência em experimentos de loops repetidos.

5. Significância e Alegações

O artigo afirma que a qualidade da representação sozinha é insuficiente para uma navegação de ponta a ponta confiável. Embora encoders avançados como o DINOv3 sejam necessários para lidar com a ambiguidade perceptual, eles devem ser acompanhados pelo contexto de movimento de escala métrica fornecido pelo histórico de ações.

O VISTA demonstra que o condicionamento no histórico de ações normalizado permite que um modelo de fundação:

1. Resolva a ambiguidade da inferência de escala em implantação zero-shot.
2. Generalize robustamente através de diferentes frequências de controle e velocidades de robôs.
3. Navegue em ambientes complexos e não vistos (outdoor, floresta, escritório) com altas taxas de sucesso e colisões mínimas, superando os VNMs atuais de estado da arte que dependem apenas de entradas visuais.

Os autores concluem que esta abordagem preenche a lacuna entre políticas visuais generalizáveis e as realidades físicas da implantação robótica, permitindo uma navegação confiável sem a necessidade de calibração específica para cada corpo robótico.