HAVANA：面向视觉语言导航的分层视频-动作模型

HAVANA 是一个双系统视频-动作模型，将预测性推理与反应式局部规划解耦：慢系统从观测历史生成紧凑的语言条件潜在规划，快系统结合最新规划与当前观测生成局部轨迹。两者异步执行，推理时不生成未来视频，也无需重复预测未来。在 OmniNavBench 上取得优于既有基线的导航性能，真实部署在不同机器人本体上对未见环境展现出稳健泛化能力。