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

Os robôs há muito lutam para se mover pelo mundo com a previsão de uma criatura viva. Embora as máquinas modernas possam reagir instantaneamente ao que veem, elas frequentemente carecem da capacidade de imaginar o que acontecerá a seguir. Os sistemas de navegação tradicionais operam como um motorista que olha apenas para a estrada diretamente à frente do carro, reagindo a obstáculos conforme eles aparecem, mas sendo incapaz de planejar uma rota para contornar um beco sem saída até que seja tarde demais. Para dar aos robôs esse tipo de previsão, cientistas desenvolveram "modelos de mundo", que são essencialmente simuladores internos que permitem que uma máquina imagine diferentes futuros antes de se mover. No entanto, um grande obstáculo impediu que esses simuladores fossem usados em tempo real em robôs físicos: o processo de verificar esses futuros imaginados é muito lento. Os métodos atuais exigem que o robô gere milhares de trajetórias potenciais, converta cada uma em uma imagem detalhada para verificar a segurança e, em seguida, descarte as ruins. Esse ciclo de criar e verificar imagens é tão computacionalmente pesado que faz o robô congelar, tornando a navegação em tempo real impossível.

Uma nova abordagem chamada Hydra, desenvolvida por pesquisadores de várias universidades, resolve este problema mudando a forma como o robô pensa sobre o movimento. Em vez de tentar imaginar cada futuro possível em detalhes de alta definição, o Hydra aprende a pensar em conceitos amplos e discretos de movimento, semelhante a como um humano poderia pensar em uma "curva à esquerda" ou um "caminho reto", em vez de calcular o ângulo exato de cada rotação de roda. Os pesquisadores construíram um sistema onde o planejador do robô vive dentro do próprio simulador, buscando o melhor caminho dentro de um mapa de possibilidades comprimido e abstrato, em vez de um espaço vasto e aberto de pixels. Isso permite que o robô avalie milhares de futuros potenciais em uma fração de segundo, descartando caminhos perigosos antes mesmo de serem totalmente desenhados. Uma vez que um caminho seguro é escolhido, o sistema traduz esse conceito abstrato de volta para movimentos suaves e contínuos que os motores do robô podem executar.

A inovação central reside em uma técnica que os autores chamam de planejamento latente discreto. Em sistemas anteriores, um robô tentando navegar em um corredor poderia gerar um fluxo contínuo de trajetórias possíveis, muitas das quais o levariam diretamente a uma parede. O sistema teria então que renderizar cada uma dessas trajetórias em uma imagem visual para ver se ocorria uma colisão, um processo que leva tempo demais para um robô em movimento. O Hydra evita esse gargalo forçando suas previsões através de um filtro especializado que agrupa movimentos semelhantes em um vocabulário pequeno e fixo de intenções. Quando o robô considera um futuro, ele não gera uma imagem borrada de uma colisão; em vez disso, ele seleciona um token de seu vocabulário aprendido que representa uma "curva segura" ou uma "colisão". Como esses tokens são extraídos de uma lista finita de ações fisicamente possíveis, o robô pode reconhecer instantaneamente que um caminho que leva a uma parede é inválido sem sequer precisar visualizar a colisão. Essa mudança de suposição contínua para seleção discreta permite que o sistema podre opções perigosas quase imediatamente, focando seu poder computacional apenas em caminhos que já são conhecidos por serem plausíveis.

Para garantir que essas escolhas abstratas resultem em movimento físico suave, o Hydra combina este planejamento discreto com um método de execução contínua. Uma vez que o robô seleciona o melhor caminho abstrato, um sistema secundário converte essa escolha nos comandos precisos e fluidos necessários para girar as rodas. Esse processo de duas etapas — planejar em um espaço simplificado e abstrato e depois executar no mundo real — permite que o rob em mantenha a segurança de um simulador com a velocidade de um motorista reativo. Os pesquisadores testaram este sistema em dois robôs físicos diferentes, um veículo com rodas e um robô quadrúpede semelhante a um cão, em vários ambientes, incluindo corredores estreitos e áreas com obstáculos ocultos. Nestes testes, o sistema planejou com sucesso caminhos livres de colisões para objetivos a cerca de oito metros de distância em menos de um segundo, uma velocidade que é aproximadamente quinhentos vezes mais rápida do que os métodos anteriores que dependiam da geração e verificação de imagens completas.

Os resultados desses testes físicos destacam uma lacuna significativa entre a antiga forma de pensar e a nova. Quando os pesquisadores compararam o Hydra a sistemas existentes que utilizam amostragem contínua, os métodos antigos falharam em navegar ao redor de obstáculos, muitas vezes colidindo porque gastavam muito tempo calculando caminhos impossíveis. O Hydra, por outro lado, alcançou uma taxa de sucesso perfeita em ambientes desobstruídos e navegou com sucesso ao redor de cantos ocultos e obstáculos na grande maioria dos testes. O sistema também foi capaz de detectar colisões iminentes ao notar quando um caminho proposto não se ajustava ao seu vocabulário aprendido de movimentos seguros, um sinal que aparecia muito antes de o robô atingir fisicamente qualquer coisa. Essa capacidade de rejeitar caminhos inseguros com base em sua estrutura abstrata, em vez de sua aparência visual, provou ser uma forma robusta de garantir a segurança sem retardar o processo de tomada de decisão.

Apesar desses sucessos, os pesquisadores reconhecem que o sistema não é isento de limitações. O método de agrupar movimentos em um vocabulário fixo significa que o robô às vezes tem dificuldade em distinguir entre um obstáculo genuíno e uma área visualmente complexa, mas segura, como um arbusto de folhagem densa. Como o sistema depende de quão difícil é reconstruir uma cena a partir de seus códigos abstratos, ambientes altamente texturizados podem às vezes disparar alarmes falsos, fazendo com que o robô hesite onde poderia passar com segurança. Além disso, o sistema atual tem dificuldade em representar objetos dinâmicos como pessoas, muitas vezes suavizando-os para o plano de fundo em vez de tratá-los como entidades distintas a serem evitadas. Esses desafios sugerem que, embora a abordagem discreta seja um passo poderoso, as versões futuras precisarão refinar como representam o mundo para lidar com a complexidade total dos ambientes humanos.

Em última análise, este trabalho demonstra que os robôs podem alcançar um planejamento direcionado a objetivos em tempo real ao pensar em conceitos, em vez de pixels. Ao mover o processo de planejamento para dentro do simulador e restringir a busca a um conjunto aprendido de movimentos válidos, os pesquisadores criaram um sistema que é ao mesmo tempo rápido e seguro. As descobertas sugerem que a chave para escalar modelos de mundo para robôs físicos não é torná-los mais detalhados, mas sim torná-los mais estruturados, permitindo que imaginem o futuro de uma forma que seja computacionalmente eficiente e fisicamente fundamentada. Esta abordagem oferece um caminho promissor para robôs que possam navegar no mundo real com o mesmo tipo de previsão intuitiva que os humanos usam todos os dias.