Illustration générée par IAHAVANA : un modèle hiérarchique vidéo-action pour la navigation vision-langage
Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie
HAVANA, un modèle vidéo-action (VAM) hiérarchique dédié à la navigation guidée par le langage (Vision-Language Navigation, VLN), est décrit dans une nouvelle version d'un preprint arXiv (2610.24122v3). Son architecture à double système sépare deux fonctions que la plupart des VAM existants exécutent ensemble à l'inférence. Un système lent produit, à partir de l'historique d'observations, un plan latent compact conditionné par l'instruction en langage naturel. Un système rapide combine le dernier plan disponible avec l'observation courante pour générer des trajectoires locales. Les deux tournent de façon asynchrone, et aucune vidéo future n'est générée à l'inférence : le modèle apprend des représentations d'états visuels futurs sans les rendre explicitement. Les auteurs revendiquent des performances de pointe sur le benchmark OmniNavBench face aux méthodes de référence, ainsi que des déploiements réels en zero-shot dans des environnements inconnus. Le résumé ne fournit ni score chiffré, ni plateforme robotique, ni latence, ni détail sur le nombre ou la nature des essais réels.
L'intérêt tient à l'argument d'ingénierie. Anticiper l'évolution des observations le long de la route apporte une information au-delà du champ de vision courant, mais les VAM qui couplent prédiction visuelle et génération d'actions recalculent cette prédiction à chaque pas de contrôle. Or le guidage lié à l'instruction varie lentement et peut être réutilisé sur plusieurs pas, alors que la trajectoire locale doit réagir aux observations fraîches (obstacles, géométrie immédiate). Découpler les deux réduit le coût de calcul embarqué, un point critique pour des robots mobiles ou des humanoïdes qui ne disposent pas d'un GPU de datacenter. Cela rejoint la logique des architectures dual-system déjà popularisées en manipulation, comme Helix de Figure ou GR00T de NVIDIA, et suggère qu'elle se transpose à la navigation. Reste à vérifier la portée des résultats : un benchmark unique, vraisemblablement en simulation, et des tests réels dont le protocole n'est pas précisé, laissent ouverte la question de l'écart entre démonstration et fiabilité en exploitation.
Ce travail s'inscrit dans l'évolution de la VLN, passée de modèles entraînés sur des environnements simulés restreints à des approches fondées sur des modèles vision-langage-action (VLA) puis, plus récemment, sur des modèles du monde et des représentations prédictives de la vidéo. La limite de ces dernières est leur coût à l'inférence, que HAVANA cherche précisément à contourner en abandonnant la génération vidéo explicite au profit d'un plan latent. Il se place face aux VLA de navigation end-to-end et aux VAM couplés, mais le résumé ne nomme pas les baselines dépassées. Il s'agit d'une publication académique, non d'un produit : aucune commercialisation ni pilote industriel n'est annoncé. Les prochaines étapes à surveiller sont la publication des chiffres détaillés, la disponibilité éventuelle du code et des poids, et des validations sur des plateformes variées, notamment des robots à pattes ou humanoïdes, en environnements non contrôlés.
Dans nos dossiers




