Investigadores han construido un modelo de navegación único llamado WAM-Nav que funciona con múltiples tipos de objetivos—punto, imagen, lenguaje—en un robot humanoide. Al predecir conjuntamente observaciones visuales futuras y acciones, el modelo unifica diversas tareas de navegación en un solo marco sin necesidad de reentrenamiento específico por tarea.
Tabla de Contenidos
- Lo que los Investigadores Construyeron
- Resultados Clave
- Cómo Funciona
- Por Qué Esto es Importante para la Robótica
- Limitaciones y Preguntas Abiertas
- Preguntas Frecuentes
- Conclusión
Lo que los Investigadores Construyeron
WAM-Nav (Modelado Mundo-Acción para Navegación) es una política generativa basada en transformadores que mapea observaciones de cámara y un objetivo especificado por el usuario directamente a acciones del robot. La innovación clave es su arquitectura latente asimétrica: el modelo aprende una representación comprimida del mundo (lo que el robot espera ver a continuación) y las acciones (cómo moverse allí) simultáneamente, pero en espacios latentes separados. Esto permite que el modelo razone tanto sobre la previsión visual como sobre los comandos motores dentro de un solo proceso de entrenamiento.
El sistema se prueba en un robot humanoide Unitree G1 equipado con una cámara de profundidad Intel RealSense D455 y una GPU RTX 4060 a bordo. Ejecuta un bucle de control de horizonte deslizante: en cada paso, el modelo muestrea 16 trayectorias candidatas y ejecuta la primera, luego repite. El marco acepta tres modalidades de objetivo—un punto 2D en una imagen, una instrucción en lenguaje natural o una imagen objetivo—sin cambiar la arquitectura subyacente del modelo.
Resultados Clave
En evaluaciones de simulación, WAM-Nav iguala o supera el rendimiento de políticas de navegación de tarea única anteriores, como NavDP, siendo el primer modelo que maneja los tres tipos de objetivo en un marco unificado. El resultado crítico es el rendimiento equilibrado entre modalidades de objetivo: mientras que los métodos anteriores a menudo favorecen un tipo de objetivo (por ejemplo, objetivos de imagen sobre objetivos de lenguaje), WAM-Nav logra tasas de éxito de navegación consistentes tanto si el objetivo se especifica como un punto, una imagen o una oración.
Las pruebas en el mundo real con el humanoide Unitree G1 muestran que el modelo funciona a 1 Hz de inferencia en la GPU a bordo (ocupando ~1.3 GB de memoria) y genera trayectorias que son seguidas por un Controlador Predictivo de Modelo a 50 Hz. El sistema navega con éxito entornos interiores con obstáculos dinámicos utilizando solo una cámara de profundidad orientada hacia adelante montada con una inclinación descendente de 20°.
Ningún método de tarea única en la literatura logra simultáneamente un rendimiento competitivo en los tres tipos de objetivo—WAM-Nav es el primero en demostrar esta unificación sin reentrenamiento por tarea.
Cómo Funciona
WAM-Nav se basa en un marco generativo de flujo-matching, similar a las políticas de difusión, pero con un diseño asimétrico que separa el modelado del mundo del modelado de acciones. El proceso central tiene tres etapas:
- Módulo de Alineación de Objetivo – El objetivo del usuario (punto, imagen o texto) se introduce en un codificador específico de modalidad para producir una incrustación base. Esta incrustación se proyecta luego en dos espacios de tokens separados: uno para condicionar el modelo del mundo y otro para condicionar el modelo de acción. Este diseño “asimétrico” preserva la información relevante para cada subtarea mientras mantiene una interfaz unificada.
- Modelo Latente Mundo-Acción – Un transformador procesa la observación actual (imagen RGB-D) junto con los tokens condicionados por el objetivo. Predice simultáneamente una observación futura latente (el “token del mundo”) y una trayectoria de acción latente (el “token de acción”). Los latentes del mundo y de acción se modelan de forma independiente pero comparten el mismo tronco del transformador. El entrenamiento utiliza una pérdida de regresión de velocidad de flujo-matching, que aprende la transformación continua desde una distribución de ruido hasta la distribución objetivo de los latentes de mundo y acción.
- Control de Horizonte Deslizante – En despliegue, el modelo recibe la observación actual y el objetivo, luego muestrea 16 trayectorias candidatas de la distribución aprendida. Se selecciona la primera trayectoria y se pasa a un Controlador Predictivo de Modelo que convierte la ruta planificada en comandos de velocidad del motor a 50 Hz. El proceso se repite cada 1 segundo (la tasa de inferencia del modelo).
El sistema funciona completamente a bordo de la GPU RTX 4060 del robot con una huella de memoria de 1.3 GB, lo que permite navegación en bucle cerrado en tiempo real sin conectividad en la nube.
Por Qué Esto es Importante para la Robótica
WAM-Nav aborda un punto crítico en la robótica móvil: la necesidad de pilas de navegación separadas para diferentes tipos de objetivo. Un robot de almacén, por ejemplo, podría necesitar navegar a una coordenada, seguir a una persona en una foto o responder a un comando verbal—tradicionalmente requiriendo tres modelos separados. WAM-Nav reduce esto a uno solo.
Para robots humanoides y otras plataformas móviles diseñadas para entornos humanos, la capacidad de aceptar objetivos en cualquier formato—especialmente lenguaje natural—reduce drásticamente la barrera para operadores no expertos. Un gerente de fábrica podría simplemente decirle al robot “ve al muelle de carga” sin programar coordenadas ni capturar una imagen objetivo.
El diseño latente asimétrico también apunta hacia un entrenamiento más eficiente en muestras: al aprender tanto la dinámica del mundo como las estrategias de acción juntas, el modelo podría transferirse mejor a nuevos entornos con menos demostraciones, un requisito crítico para despliegues prácticos.
Limitaciones y Preguntas Abiertas
Dos modos de fallo surgieron durante las pruebas en el mundo real. Primero, la cámara fija orientada hacia adelante (inclinación descendente de 20°) no captura obstáculos directamente a los pies del robot, causando ocasionalmente una evitación de colisiones retrasada. Segundo, el modelo no tiene en cuenta explícitamente la geometría completa del cuerpo del robot—trata la navegación como un problema a nivel de cámara, ignorando si el torso o las extremidades colisionarían con pasajes estrechos.
Estas limitaciones sugieren dos direcciones futuras: vista de cámara adaptativa controlada por la propia política (percepción activa) y entrenamiento consciente de la encarnación donde el modelo también aprende la forma y cinemática del robot. Además, la tasa de inferencia de 1 Hz puede ser demasiado lenta para entornos altamente dinámicos—las mejoras de latencia o el seguimiento predictivo son desafíos de ingeniería abiertos.
El artículo no aborda la transferencia sim-to-real de manera sistemática; todo el entrenamiento se realiza en simulación, y el despliegue en hardware real requiere una calibración cuidadosa de la cámara y ajuste del MPC.
Preguntas Frecuentes
¿Qué hace diferente a WAM-Nav de las políticas de navegación anteriores? Es el primer modelo único que maneja objetivos de punto, imagen y lenguaje sin reentrenamiento específico de tarea, gracias a su arquitectura latente asimétrica de mundo-acción.
¿Qué hardware necesito para ejecutar WAM-Nav? Una cámara de profundidad (por ejemplo, Intel RealSense D455) y una GPU con al menos 1.3 GB de memoria, como una RTX 4060, son suficientes para inferencia a bordo en tiempo real.
¿Se puede usar WAM-Nav en robots con ruedas u otras morfologías? La versión actual no modela la encarnación del robot, por lo que la transferencia a diferentes plataformas requeriría reajustar el controlador y posiblemente reentrenar con condicionamiento consciente de la encarnación.
¿Qué tan rápido funciona el modelo en un robot? La inferencia se ejecuta a 1 Hz, con seguimiento de trayectoria a 50 Hz usando un Controlador Predictivo de Modelo, lo que permite una navegación suave en entornos interiores.
Conclusión
WAM-Nav demuestra que una única política de navegación generativa puede manejar múltiples modalidades de objetivo sin sacrificar rendimiento. Al aprender representaciones de mundo y acción conjuntamente en espacios latentes asimétricos, el modelo ofrece un camino práctico hacia la navegación robótica verdaderamente universal.