Las personas: el principal desafío para los algoritmos de navegación
Los robots se encuentran cada vez más en espacios donde deben compartir el camino con personas: tiendas, hospitales, calles urbanas. La capacidad de interpretar correctamente las órdenes y, al mismo tiempo, no invadir el espacio personal de los transeúntes se vuelve críticamente importante. Sin embargo, la mayoría de los enfoques existentes para la navegación por instrucciones de lenguaje (Vision-and-Language Navigation, VLN) se han probado en condiciones donde los peatones están ausentes por completo o su comportamiento está simplificado al extremo. Esto lleva a que incluso los agentes avanzados se pierdan en entornos reales.
Los investigadores han llamado la atención sobre esta brecha y han presentado un nuevo benchmark de código abierto: HA-VLN 2.0. Está diseñado para evaluar la capacidad de un robot de ejecutar simultáneamente comandos de navegación y comportarse de manera socialmente aceptable: esquivar personas, no chocar contra ellas y mantener la distancia.
De mapas discretos a calles vivas
Los benchmarks VLN tradicionales se dividían en discretos y continuos. En el primer caso, el agente se mueve entre puntos predefinidos y no se preocupa por la suavidad del movimiento. En el segundo, aparece un espacio libre, pero en la mayoría de los escenarios permanece estático: los transeúntes no se mueven o apenas se les tiene en cuenta. En la realidad, sin embargo, las personas caminan constantemente de frente, cambian de trayectoria y se comunican entre sí.
Los autores del trabajo de ArXiv:2503.14229 (artículo aceptado en IROS 2026) proponen un enfoque unificado: HA-VLN 2.0 combina entornos discretos y continuos, añadiéndoles restricciones sociales explícitas. Es decir, antes de evaluar la precisión de la ruta, se verifica si el agente ha violado el espacio personal de una persona. Esta formulación del problema está mucho más cerca de las condiciones en las que los robots tendrán que trabajar realmente.
En el artículo, que cuenta con 35 páginas y 20 figuras, se describen en detalle tanto la arquitectura del benchmark como los resultados obtenidos. En el proyecto trabajaron 12 autores de laboratorios académicos e industriales, incluidos investigadores de la Universidad Carnegie Mellon (Alexander G. Hauptmann) y otras instituciones.
HA-VLN 2.0: un estándar unificado para la navegación social
El nuevo benchmark incluye varios componentes clave. En primer lugar, métricas estandarizadas que miden simultáneamente la precisión para alcanzar el objetivo y el grado de respeto del espacio personal. Una métrica simple como «porcentaje de episodios exitosos» aquí se complementa con penalizaciones por invadir la zona de confort de los peatones.
En segundo lugar, los investigadores han creado un dataset actualizado, HAPS 2.0, y simuladores que modelan la interacción con múltiples personas a la vez. Se tienen en cuenta no solo espacios cerrados, sino también espacios abiertos, así como una alineación más precisa del lenguaje con gestos y movimientos. Esto permite probar a los agentes en condiciones cercanas a escenarios urbanos reales.
Para verificar el funcionamiento del enfoque, los autores realizaron evaluaciones con 16 844 instrucciones socialmente fundamentadas. Esta cantidad de ejemplos permite evaluar de manera fiable el comportamiento de los algoritmos en diferentes situaciones. Se destaca especialmente que, junto con el benchmark, se publican datasets, simuladores, líneas base y protocolos: todo lo necesario para reproducir los experimentos.
Qué mostraron las pruebas: la conciencia social marca la diferencia
El benchmark reveló un problema grave: el rendimiento de los agentes de navegación líderes cae drásticamente al añadir dinámica de personas y observabilidad parcial. Los agentes que se desempeñaban excelentemente en entornos estáticos comienzan a chocar con peatones o a quedarse atascados cuando estos aparecen inesperadamente en su campo de visión.
Al mismo tiempo, los experimentos mostraron que el modelado social explícito ofrece ventajas significativas. Si un agente está entrenado de antemano para tener en cuenta la presencia de personas y predecir su movimiento, la robustez de la navegación mejora y el número de colisiones se reduce. Esto confirma la necesidad de enfoques centrados en el ser humano en lugar de la simple búsqueda del camino más corto.
Es importante señalar que las conclusiones se verificaron no solo en simulación. Los autores realizaron pruebas en un robot real que confirmaron la transferencia de resultados del entorno virtual al físico. Esta transición de la simulación a la realidad es una condición obligatoria para la aplicación práctica, y HA-VLN 2.0 ofrece la infraestructura para verificarla.
Un ecosistema abierto para el avance de la robótica
Uno de los aspectos importantes del proyecto es su apertura. Junto con el artículo se publican no solo descripciones, sino también herramientas funcionales: datasets, simuladores, códigos de algoritmos base y protocolos de entrenamiento. Además, se ha creado una tabla de líderes donde los equipos pueden comparar sus agentes de navegación en condiciones transparentes. Esto es especialmente valioso porque permite seguir el progreso en el campo de la navegación social y evitar resultados inflados en conjuntos de prueba cerrados.
El desarrollo de este tipo de benchmarks es un paso importante para que los robots dejen de ser juguetes de laboratorio y aprendan a coexistir de manera segura con las personas en la vida real. Las nuevas métricas y simuladores impulsan a la comunidad hacia investigaciones con mayor conciencia social, y no solo precisión técnica.
En el futuro, se pueden esperar escenarios ampliados: condiciones climáticas más complejas, diferentes tipos de peatones y modalidades adicionales en las instrucciones. Pero ya ahora HA-VLN 2.0 establece un nuevo estándar para la evaluación de algoritmos de navegación orientados a la interacción con la sociedad.
