HAVANA、視覚言語ナビゲーション向けの階層型動画行動モデルを発表

何が起きたか

arXivに2026年10月16日に掲載された論文で、Vision-Language Navigation向けのHAVANAを発表した。HAVANAは、観測履歴から言語条件付きのコンパクトな潜在計画を作る低速系と、最新の計画と現在の観測を組み合わせて局所軌跡を生成する高速系を分けた。推論時には未来動画を生成せず、非同期実行で素早い適応を狙う設計である。

詳細

論文は、従来のVideo-Action Modelが視覚的な未来予測と局所軌跡予測を同一プロセスで行っていた点を分離した。低速系は観測履歴を入力に言語条件付き潜在計画を生成し、高速系はその計画と最新観測を使って局所的な動作軌跡を出力する。推論中に未来動画を生成しない点も特徴である。 評価では、OmniNavBenchで既存手法を上回るナビゲーション性能を示したとされる。さらに実世界展開では、異なるロボット embodiment にまたがって未知環境へのロバストな一般化を示したとしている。

Key Facts

本紙の見方

HAVANAの新しさは、ナビゲーションのための予測と反応を一つの生成過程に押し込めず、低速の計画層と高速の実行層に分けた点にある。動画を先読みしてから動くのではなく、観測履歴から作る圧縮された言語条件付き計画と、直近観測に応じて更新する局所軌跡を非同期に回す設計は、長期指示への整合性と足元の反応性を両立させる狙いと読める。ここで重要なのは、単なるモデル名の追加ではなく、ナビゲーションを「長い計画の保持」と「短い修正」の二層問題として再定義している点である。 本紙の過去報道は与えられていないため、連続性の比較はできない。ただし、論文本文だけでも、従来VAMが視覚未来予測と局所軌道予測を同一系列で処理していたという前提に対し、HAVANAはその結合を解いていることが分かる。したがって、技術的な争点は「より大きな生成モデル」かどうかではなく、どの層で何を保持し、どの層で何を即応的に更新するかに移っているとみられる。 業界構造への含意としては、まず計算の使い方が変わる。推論時に未来動画を生成しないなら、計算資源は長尺の生成よりも、観測履歴の圧縮、潜在計画の更新、局所軌跡の即時生成に寄る。次に、評価も単なるオフライン精度では足りず、OmniNavBenchのようなベンチマークと実機での異なる embodiment をまたぐ一般化の両方が焦点になる。さらに、未知環境での一般化をうたう以上、学習データの範囲、ロボット形態ごとの差異、推論時にどこまで履歴を保持するかが未確定論点として残る。実装面では、コードとチェックポイントの公開後に、再現性と実機での安定性が確認点になる。

なぜ重要か

論文が示すのは、Vision-Language Navigationで必要な能力が、長期計画と局所制御の分離で整理できる可能性である。推論時に未来動画を作らない設計は、実機ロボットでの遅延や計算負荷の扱いに関わるため、研究用途だけでなく実装条件の議論にもつながる。

日本への影響

日本のロボット研究や実機ナビゲーションでは、局所制御の即応性と長期計画の両立が課題になりやすい。HAVANAのように計画層と反応層を分ける設計は、移動体ロボットの実装で計算資源配分や制御系統の分担を考える際の参照点になりうる。