論文の概要: WAVE-Go: World-Model Navigation with Adaptive Execution for Wheel-Legged Robots

• arxiv url: http://arxiv.org/abs/2609.18193v1
• Date: Wed, 16 Sep 2026 06:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.670792
• Title: WAVE-Go: World-Model Navigation with Adaptive Execution for Wheel-Legged Robots
• Title（参考訳）: WAVE-Go:車輪付きロボットの適応走行による世界モデルナビゲーション
• Abstract要約: WAVE-Goは、ワールドアクション予測と中断可能なコマンド実行を分離するイメージゴールナビゲーションフレームワークである。 WAVE-Goは74.1%の流通成功、63.3%のダイナミックアウト・オブ・ディストリビューション成功を達成した。 これらの結果は、ナビゲーション性能と計画オーバーヘッドのバランスをとる手段として、適応的で中断可能な実行をサポートする。
• 参考スコア（独自算出の注目度）: 8.539882729705583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 世界モデルはナビゲーションアクションの結果を予測できるが、予測されたアクションシーケンスは実行中に無効になる可能性がある。 本稿では,ワールドアクション予測と割り込み可能なコマンド実行を分離した画像ゴールナビゲーションフレームワークWAVE-Goを提案する。 その実行者は、アクションプレフィックスを適応的に選択し、更新された観察が実行を無効にするときに保留中のコマンドをキャンセルする。 条件付きリスクの定式化は、推定累積失敗予算の下でプレフィックスの選択を規定する一方で、姿勢および移動モード遷移はクリアランス、安定性、タスクエビデンスチェックを必要とする。 報告されたナビゲーション評価では、WAVE-Goは74.1%の分配成功と63.3%のダイナミックアウト・オブ・ディストリビューション成功を達成し、それぞれ4.7ポイントと7.7ポイントを上回り、衝突を4.4から2.9パーセンテージ100mに減らした。 割り込み可能な固定4コマンド実行と比較すると、WAVE-Goは4.0ポイント、再計画周波数は51.2%、衝突速度は6.5%で成功している。 実行の短縮により、追加のリプランのコストで実行時の中断が成功、衝突速度、反応遅延を改善することも示される。 これらの結果は、ナビゲーション性能と計画オーバーヘッドのバランスをとる手段として、適応的で中断可能な実行をサポートする。 コードはhttps://github.com/vigorlee/wave-go.comで入手できる。

関連論文リスト

• GPT-6-Astra in a Navigation Workflow: Behavioral Analysis in Zero-Shot Vision-and-Language Navigation in Continuous Environments [20.65686859199639]
  連続環境におけるゼロショットビジョン・アンド・ランゲージナビゲーションにおけるGPT-6-Astraについて検討する。 指示を解釈し、その環境を評価し、行動を提案する。 Open-Nav が使用した100R2R-CE val-unseen エピソードの50件について,本システムの評価を行った。
  論文  参考訳（メタデータ） (2026-09-17T12:14:43Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• NavPatch: Evidence-Guided Object-Level Costmap Correction with Vision-Language Models [6.1440916891645285]
  私たちは、ADD、REMOVE、EXTENDを関連オブジェクトカテゴリのナビゲーションに割り当てるオブジェクトレベルの補正層であるNavPatchを紹介します。 Open vocabulary Groundingはオブジェクトインスタンスをローカライズし、LiDARとRGB-D観測は3Dサポートを提供する。
  論文  参考訳（メタデータ） (2026-09-13T14:30:55Z)
• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• SUN: Persistent Programs For Language-Grounded Control-to-Learning-to-Real Policies [61.941546372624686]
  既存のプロトコルはタスクのセマンティクスを廃止し、手作りの報酬と制御が検証したものから逸脱する振る舞いを残している。 本稿では,SUN (Semantically UNified Programs) を導入し,幾何関係と接触関係が一度定義され,整列したモデル予測制御にコンパイルされる型付き実行プログラムについて述べる。 我々のシステムであるKuafuは、言語やシーンのセマンティクスからSUNプログラムを自動で合成し、MPCによる画面表示を実現し、ステージ条件付きポリシーのトレーニング中にセマンティクスを保持する。
  論文  参考訳（メタデータ） (2026-08-31T17:59:16Z)
• Argus: A General-Purpose Agentic Reasoning Runtime for Long-Horizon Tasks [38.52523278435824]
  Argusは永続的で自己進化的なランタイムで、マネージャ、プランナー、エンジニア、レビューアが耐久性のあるプロジェクトステート上で有界なミッションを実行します。 Argusは、安定したユーザ意図を運用目標、制約、検証基準から切り離し、メモリ、スキル、プロシージャ、バリデーション、ルーティング決定を許可し、ロール所有のレビューと利用可能なタスクネイティブ検証の後にのみ拒否されたルートを承認する。
  論文  参考訳（メタデータ） (2026-08-05T17:58:58Z)
• CheckVLA: Execution-Time Verification with Action-Conditioned World Model for Long-Horizon Mobile Manipulation [15.532709298240215]
  視覚言語アクション(VLA)ポリシーは、オープンループアクションチャンクを通じて長距離移動操作を実行する。 本稿では、個別に訓練されたフリーズされた行動条件付き世界モデルを用いて実行を検証するCheckVLAを提案する。 RoboCasa365では、一般的なトレーニングレシピと一致した呼び出し予算の下で、CheckVLAの平均成功率は36.1%であり、定期的なリプランでは27.6%である。
  論文  参考訳（メタデータ） (2026-07-29T11:31:33Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。