跳到正文
arXiv · 机器人与计算机视觉· Dongzhihan Wang, Yi Du, Chen Wang, Xiuxian Li, Liang Xu·· 2026-10-20AI 评分59

HAVANA:一种用于视觉语言导航的分层视频动作模型

HAVANA: A Hierarchical Video-Action Model for Vision-Language Navigation

AI 导读

HAVANA 是一种分层视频动作模型(VAM),旨在解决现有 VAM 同时预测视觉未来和局部轨迹导致的效率问题。该模型通过慢系统从观测历史生成紧凑的语言条件潜在计划,快系统将最新计划与当前观测结合以生成局部轨迹。

来源:arXiv · 机器人与计算机视觉 · arxiv.org