WAVE-Go: World-Model Navigation with Adaptive Execution for Wheel-Legged Robots

📄 arXiv: 2609.18193v1 📥 PDF

作者: Mingyi Li, Ji Li, Zhihao Ouyang, Yage He, Börje F. Karlsson

分类: cs.RO

发布日期: 2026-09-16

🔗 代码/项目: GITHUB

💡 一句话要点

提出WAVE-Go以解决动态障碍下的导航执行问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 机器人导航 动态环境 世界模型 自适应执行 碰撞率降低 任务适应性 图像目标导航

📋 核心要点

  1. 现有方法在动态环境中执行时，预测的动作序列容易失效，导致导航失败。
  2. WAVE-Go框架通过将世界模型的动作预测与可中断的命令执行分离，提升了导航的灵活性和适应性。
  3. 实验结果显示，WAVE-Go在成功率和碰撞率上均优于现有基线，展示了其在动态环境中的有效性。

📝 摘要（中文）

世界模型能够预测导航动作的后果，但在执行过程中，尤其是当轮腿机器人遇到动态障碍或改变运动模式时，预测的动作序列可能失效。我们提出了WAVE-Go，一个图像目标导航框架，它将世界动作预测与可中断命令执行分开。其执行器根据更新的观察结果自适应选择动作前缀，并在执行失效时取消待处理命令。条件风险公式在估计的累计失败预算下指定前缀选择，而姿态和运动模式的转换需要进行清理、稳定性和任务证据检查。在导航评估中，WAVE-Go在分布内成功率达到74.1%，动态分布外成功率为63.3%，分别超出最强基线4.7和7.7个百分点，同时将每100米的碰撞次数从4.4减少到2.9。与可中断的固定四命令执行相比，WAVE-Go成功率提高4.0个百分点，同时减少了51.2%的重新规划频率和6.5%的碰撞率。执行消融实验还表明，运行时中断在增加重新规划的成本下改善了成功率、碰撞率和反应延迟。这些结果支持自适应可中断执行作为平衡导航性能和规划开销的一种手段。

🔬 方法详解

问题定义：本论文旨在解决轮腿机器人在动态环境中导航时，预测的动作序列因环境变化而失效的问题。现有方法在面对动态障碍物时，无法有效调整执行策略，导致导航失败和碰撞风险增加。

核心思路：WAVE-Go框架的核心思想是将世界模型的动作预测与可中断的命令执行分开，使得机器人能够根据实时观察结果自适应调整执行策略，选择合适的动作前缀并取消无效命令。

技术框架：WAVE-Go的整体架构包括世界模型、执行器和条件风险评估模块。世界模型负责预测动作的后果，执行器根据实时数据选择动作前缀，而条件风险评估模块则在执行过程中评估失败预算和稳定性。

关键创新：WAVE-Go的主要创新在于其自适应的可中断执行机制，允许机器人在执行过程中根据环境变化动态调整策略。这一设计与传统固定命令执行方法相比，显著提升了导航的灵活性和成功率。

关键设计：在设计中，WAVE-Go采用了条件风险公式来指导前缀选择，并在姿态和运动模式转换时进行清理和稳定性检查。具体的参数设置和损失函数设计尚未详细披露，需进一步研究。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

WAVE-Go在导航评估中取得了74.1%的分布内成功率和63.3%的动态分布外成功率，分别超出最强基线4.7和7.7个百分点。同时，每100米的碰撞次数从4.4减少到2.9，显示出显著的安全性提升。与固定四命令执行相比，成功率提高4.0个百分点，重新规划频率减少51.2%。

🎯 应用场景

WAVE-Go框架具有广泛的应用潜力，特别是在需要高灵活性和适应性的机器人导航场景中，如救援任务、探索未知环境和服务机器人等。其自适应的执行机制能够有效应对动态变化的环境，提升机器人在复杂任务中的表现。未来，该技术可能推动机器人在更复杂和多变环境中的应用。

📄 摘要（原文）

World models can anticipate the consequences of navigation actions, but predicted action sequences may become invalid during execution, especially when wheel-legged robots encounter dynamic obstacles or change locomotion modes. We propose WAVE-Go, an image-goal navigation framework that separates world-action prediction from interruptible command execution. Its executor adaptively selects an action prefix and cancels pending commands when updated observations invalidate execution. A conditional-risk formulation specifies prefix selection under an estimated cumulative failure budget, while posture and locomotion-mode transitions require clearance, stability, and task-evidence checks. In the reported navigation evaluation, WAVE-Go achieves 74.1% in-distribution success and 63.3% dynamic out-of-distribution success, exceeding the strongest baseline by 4.7 and 7.7 percentage points, respectively, while reducing collisions from 4.4 to 2.9 per 100 m. Compared with interruptible fixed four-command execution, WAVE-Go raises success by 4.0 percentage points while reducing replanning frequency by 51.2% and collision rate by 6.5%. Execution ablations also show that runtime interruption improves success, collision rate, and reaction latency at the cost of additional replanning. These results support adaptive, interruptible execution as a means of balancing navigation performance and planning overhead. Code is available at https://github.com/vigorlee/wave-go.