Los robots móviles se utilizan cada vez más en entornos interiores centrados en las personas, como hogares, hospitales y laboratorios, donde el éxito no depende únicamente de la viabilidad geométrica, sino también de mantener una holgura suficiente durante la ejecución de la trayectoria. Y, sobre todo, la holgura necesaria depende del contexto: la acumulación de obstáculos en el entorno, las exigencias de maniobra —por ejemplo, los giros cerrados en pasillos estrechos— y la fiabilidad momentánea de la percepción pueden hacer que una misma distancia medida sea segura en una situación y arriesgada en otra. Esto se acentúa en la navegación basada en visión, donde las estimaciones de profundidad y egomovimiento varían con el punto de vista, el movimiento y los artefactos de los sensores; por tanto, la holgura mínima medida es un indicador ruidoso de la posibilidad real de ejecutar la maniobra. Como consecuencia, las reglas de selección rígidas con un umbral de holgura fijo y global oscilan entre dos modos de fallo: un comportamiento excesivamente conservador en zonas despejadas —con rodeos y tiempos de espera agotados— y un comportamiento frágil en entornos densamente obstaculizados —con atajos arriesgados debido a sesgos de percepción—.
Evaluamos la navegación PointGoal en HM3D y MP3D, tanto dentro del dominio como en escenarios de transferencia entre conjuntos de datos. Nuestro método obtiene los valores más altos de SR y SPL frente a sólidos modelos de referencia basados en difusión, optimización y aprendizaje por refuerzo. También demostramos la transferencia de simulación al mundo real en un humanoide Unitree G1, en escenas interiores con obstáculos y sin ajustes específicos para la tarea. Además, nuestros estudios de ablación aíslan la contribución de cada componente del crítico.
Navegación visual de extremo a extremo
La navegación visual de extremo a extremo cierra el ciclo percepción–acción al transformar observaciones egocéntricas en acciones de bajo nivel o segmentos de movimiento de horizonte corto, reduciendo la latencia y la propagación de errores entre la percepción, la construcción del mapa y la planificación. Simuladores a gran escala como Habitat proporcionan tareas corporizadas estandarizadas, en las que agentes de aprendizaje por refuerzo profundo —como DD-PPO— establecen sólidos puntos de referencia para PointGoal. Por su parte, sistemas híbridos como Active Neural SLAM incorporan memoria espacial explícita mediante mapeo aprendido y políticas jerárquicas sobre un mapa cenital.
Marco de generación y selección
Introdujimos un marco de generación y selección que reemplaza los márgenes fijos por un crítico de seguridad aprendible y condicionado por el contexto, capaz de combinar seguridad y eficiencia de forma equilibrada. En pruebas de simulación y del mundo real, alcanza los valores más altos de SR y SPL, y se transfiere de la simulación pura a un humanoide real en escenas interiores con obstáculos sin ajustes específicos para la tarea. Los estudios de ablación confirman que cada término del crítico contribuye a una relación favorable entre seguridad y eficiencia, así como a mejoras consistentes frente a las líneas base con umbral fijo.
Transferencia de simulación al mundo real en Unitree G1
Demostramos una transferencia satisfactoria de la simulación al mundo real en un humanoide Unitree G1, en escenas interiores con obstáculos y sin ningún ajuste específico para la tarea. Los márgenes de seguridad aprendidos se adaptan al entorno con obstáculos, lo que permite al humanoide mantener una holgura adecuada mientras atraviesa espacios estrechos y rodea obstáculos.
Preguntas frecuentes
¿En qué se diferencia la selección adaptativa de márgenes de seguridad de los enfoques basados en umbrales fijos? Los márgenes de seguridad adaptativos utilizan un crítico aprendido y condicionado por el contexto que ajusta los requisitos de holgura según la acumulación local de obstáculos, las exigencias de maniobra y la fiabilidad de la percepción. En cambio, los métodos basados en umbrales fijos aplican una única distancia global, independientemente de la situación.
¿Qué conjuntos de datos de referencia se utilizaron para evaluar el método? El método se evaluó en tareas de navegación PointGoal utilizando los conjuntos de datos HM3D y MP3D, tanto en escenarios dentro del dominio como en escenarios de transferencia entre conjuntos de datos.
¿Puede el método transferirse directamente de la simulación a robots reales sin reajustes? Sí. El artículo demuestra una transferencia satisfactoria de la simulación al mundo real en un humanoide Unitree G1, en escenas interiores con obstáculos y sin ningún ajuste específico para la tarea.
¿Qué componentes contribuyen al equilibrio entre seguridad y eficiencia en el marco? Los estudios de ablación confirman que cada término del crítico contribuye de forma independiente a lograr un equilibrio favorable entre seguridad y eficiencia, con mejoras consistentes frente a las líneas base con umbral fijo.