CrossTracer: Cross-Embodiment Navigation via VLA Model Reasoning and Trace Residuals Adapting

📄 arXiv: 2608.06688v1 📥 PDF

作者: Yao Wang, Siyuan Wang, Zhirui Sun, Wenzheng Chi, Liang Lin, Jiankun Wang, Wenjun Xu

分类: cs.RO

发布日期: 2026-08-07

💡 一句话要点

提出CrossTracer以解决跨实体导航中的移动约束问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics) 支柱六：视频提取与匹配 (Video Extraction) 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 跨实体导航 视觉-语言-动作 自适应轨迹残差 机器人导航 语义推理 物理基础 全景分割 可通行性成本图

📋 核心要点

  1. 现有的视觉-语言-动作模型在机器人导航中未能充分考虑不同机器人之间的移动约束，导致生成的路径在物理上不可行。
  2. CrossTracer通过自适应轨迹残差的方式，提出了一种分层框架，将导航计划与实体特定的移动约束相结合，提升了导航的有效性。
  3. 在NaviTrace基准测试中，CrossTracer的总得分为45.68，超越了最强的通用基线Gemini-2.5-Pro，提升幅度达到28.1%。

📝 摘要（中文）

视觉-语言-动作（VLA）模型为机器人导航提供了强大的语义先验，但往往忽视了特定实体的移动约束。不同机器人可能在语义上可行的路径在物理上却不可行。为此，本文提出了CrossTracer，一个通过自适应轨迹残差实现跨实体导航的分层框架。CrossTracer将导航计划表示为标准化的图像平面航点，形成语义推理与物理基础之间的统一像素空间接口。首先，视觉-语言轨迹提议器（VL-Tracer）适应预训练的VLA模型，从自我中心观察和灵活的目标规格中预测初始导航轨迹。其次，CE-Adapter通过从视觉可通行性线索、机器人身份和初始轨迹中预测实体条件的残差修正来优化该轨迹。CrossTracer在NaviTrace基准上评估，结果显示其在生成符合实体的一致导航轨迹方面表现优异。

🔬 方法详解

问题定义：本文旨在解决跨实体导航中的移动约束问题。现有的VLA模型未能考虑不同机器人在物理环境中的移动能力，导致生成的导航路径在某些情况下不可行。

核心思路：CrossTracer通过引入自适应轨迹残差，结合语义推理与物理基础，提供了一种新的导航框架。该设计旨在确保生成的路径不仅在语义上合理，同时在物理上也可行。

技术框架：CrossTracer的整体架构包括两个主要模块：视觉-语言轨迹提议器（VL-Tracer）和CE-Adapter。VL-Tracer负责从自我中心观察中生成初始轨迹，而CE-Adapter则通过视觉可通行性线索进行轨迹优化。

关键创新：CrossTracer的主要创新在于其自适应轨迹残差机制，能够根据不同机器人的特性进行动态调整。这一机制与传统方法的静态路径生成方式形成鲜明对比。

关键设计：在设计中，CrossTracer利用了全景分割生成机器人条件的可通行性成本图，并通过成本最小化生成像素空间轨迹。此外，模型的训练过程避免了昂贵的手动标注，提升了效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CrossTracer在NaviTrace基准测试中取得了45.68的总得分，超越了最强通用基线Gemini-2.5-Pro，提升幅度达到10.01分，表现出28.1%的相对改进。此外，在实际应用中，CrossTracer在轮式和腿式机器人上的导航成功率和执行效率均有显著提升。

🎯 应用场景

CrossTracer的研究成果在多种机器人导航场景中具有广泛的应用潜力，包括服务机器人、无人驾驶车辆和探索机器人等。通过提高导航的成功率和执行效率，该框架能够在复杂环境中实现更高效的自主移动，推动智能机器人技术的发展。

📄 摘要（原文）

Vision-language-action (VLA) models provide strong semantic priors for robot navigation, but they often ignore embodiment-specific mobility constraints. A path that is semantically plausible for one robot may be physically infeasible for another. We propose CrossTracer, a hierarchical framework for cross-embodiment navigation through adaptive trace residuals. CrossTracer represents navigation plans as normalized image-plane waypoints, forming a unified pixel-space interface between semantic reasoning and physical grounding. First, Vision-Language Trace Proposer (VL-Tracer) adapts a pretrained VLA model to predict an initial navigation trace from egocentric observations and flexible goal specifications. Second, CE-Adapter refines this trace by predicting embodiment-conditioned residual corrections from visual traversability cues, robot identity, and the initial trace. To train the refinement module without costly manual annotation, Cross-Embodiment RRT (CE-RRT) converts panoptic segmentation into robot-conditioned traversability cost maps and generates cost-minimizing pixel-space traces. We evaluate CrossTracer on the NaviTrace benchmark, which tests whether a model can generate embodiment-consistent navigation traces from egocentric observations, language instructions, and robot embodiment types. CrossTracer achieves a total score of 45.68, outperforming the strongest evaluated general-purpose baseline, Gemini-2.5-Pro, by 10.01 points, corresponding to a 28.1% relative improvement. Real-world deployment on wheeled and legged robots further shows improved navigation success and execution efficiency.