Wild Visual Navigation（WVN） 是 ETH Zurich 机器人系统实验室提出的一种面向真实野外环境的视觉导航学习框架，发表于 Robotics: Science and Systems 2023，并扩展发表于 Autonomous Robots 2024。该方法针对森林、碎石坡地、泥地等未知复杂自然地形中的机器人自主导航问题，提出一种**自监督可通行性学习（traversability learning）**框架：机器人在运动过程中利用自身状态估计与接触信息自动生成“可通行/不可通行”标签，并在线训练视觉模型预测未来地形可行性。
通过这种 视觉—运动自监督闭环学习机制，机器人无需人工标注即可持续提升对地形风险的理解能力，从而在野外环境中实现更稳健的路径规划与避障。实验在 ANYmal 四足机器人上验证，系统能够在树林、草地、石块与坡地等复杂地形中稳定导航，并显著提升对未知地形的泛化能力，为具身智能在真实自然环境中的长期自主运行提供了关键技术路径。
项目主页：https://sites.google.com/leggedrobotics.com/wild-visual-navigation
https://github.com/leggedrobotics/wild_visual_navigation
