← Todas las noticias

LCVN: una imagen inicial y una instrucción bastan para predecir una ruta de navegación completa, pero las dos variantes implican compromisos distintos

Según un reportaje de Machine Heart del 8 de noviembre de 2026, LCVN propone la navegación visual condicionada por lenguaje: con solo una imagen en primera persona del punto de partida y una instrucción en inglés, predice la secuencia completa de acciones, sin retroalimentación del entorno para corregir errores durante el trayecto. El conjunto de datos contiene 39016 trayectorias y 117048 instrucciones verificadas manualmente; el artículo compara dos enfoques —modelo del mundo más política, y modelo unificado— con tasas de éxito del 43 % y 42 % en el dominio, y del 19 % y 27 % en entornos todoterreno desconocidos.

Publicado Actualizado

Qué ha cambiado

Según un reportaje de Machine Heart del 8 de noviembre de 2026, un trabajo llamado LCVN propone la tarea de navegación visual condicionada por lenguaje: la entrada es solo una imagen en primera persona del punto de partida y una instrucción de lenguaje en inglés, y el modelo debe predecir de una sola vez la secuencia completa de acciones, incluidos el desplazamiento en el plano y los cambios de orientación. La premisa clave es que durante la predicción no hay retroalimentación del entorno real para corregir errores; el modelo solo puede seguir deduciendo a partir de los estados que él mismo predice, y la evaluación final se hace sobre trayectorias reales de robots, por lo que mide la capacidad de predicción offline de trayectorias. El reportaje indica que el trabajo fue aceptado como Oral en NeurIPS 2026. El conjunto de datos asociado contiene 39016 trayectorias y 117048 instrucciones verificadas manualmente; las trayectorias provienen de Go Stanford, ReCon, SCAND, HuRoN y TartanDrive, las cuatro primeras se usan para entrenamiento y evaluación en el dominio, y las escenas todoterreno de TartanDrive sirven para probar la generalización en entornos desconocidos; cada trayectoria lleva tres tipos de instrucción en inglés —conciso, detallado y con puntos de referencia—, se muestrean aleatoriamente 640 para evaluación manual, con una calidad global de 5,2/6,0. El artículo compara dos enfoques: LCVN-WM, donde un modelo del mundo y una política LCVN-AC trabajan juntos y la política aprende por completo en el espacio latente del modelo del mundo; y LCVN-Uni, basado en Anole-7B, que codifica imagen, lenguaje y acciones discretizadas en una secuencia unificada de tokens y da en una sola predicción la siguiente acción y la siguiente observación. El reportaje da tasas de éxito del 43 % y 42 % en el conjunto de validación en el dominio, del 19 % y 27 % en el entorno desconocido de TartanDrive, y del 36 % y 34 % en un conjunto de prueba mixto; con 8 pasos de predicción continua, el SSIM@8 es de 0,293 y 0,218, y el segundo es mejor en DreamSim. La ablación muestra que, al eliminar el condicionamiento por lenguaje de LCVN-WM, la tasa de éxito en el dominio baja del 43 % al 35 %. En los casos de fallo presentados, LCVN-Uni acierta la dirección del giro, pero no genera el pasillo ni la puerta blanca de destino que deberían aparecer tras el giro, y las acciones posteriores quedan sin una base visual fiable.

Impacto para desarrolladores

Según las cifras del reportaje, los desarrolladores deben distinguir primero el criterio de medición: el éxito de la tarea se define como que la distancia entre el punto final predicho y el objetivo real sea menor que el paso medio de esa fuente de datos, lo que implica que la vara de medir no es la misma entre fuentes de datos y que las tasas de éxito de distintos conjuntos no son directamente comparables; en escenas con pasos mayores, un mismo error se clasifica más fácilmente como éxito. En segundo lugar, las ventajas de los dos enfoques no coinciden. Según el reportaje, en el dominio la tasa de éxito es algo mayor con el modelo del mundo más la política, mientras que en entornos todoterreno desconocidos es mayor el modelo unificado, y en coherencia estructural y temporal de la predicción continua de imágenes gana el modelo del mundo; el propio reportaje subraya que la capacidad de predicción visual y la de navegación deben examinarse por separado. Esto tiene implicaciones prácticas para la integración: si el módulo de planificación consume imágenes predichas o estados latentes, las métricas de imagen importan tanto como la tasa de éxito; si solo se toma la trayectoria final, las métricas de imagen pueden dejarse de lado. En tercer lugar, el condicionamiento por lenguaje no es decorativo. La ablación del reportaje muestra una caída clara de la tasa de éxito en el dominio al quitar la instrucción, lo que indica que la instrucción cumple la función de describir el objetivo y que su calidad debe tratarse como una variable de primer orden, no como un detalle del prompt. Por último, estas conclusiones se basan en predicción offline, y el reportaje incluye explícitamente la validación en bucle cerrado con robots reales entre el trabajo pendiente; tomarlo como una política de navegación online lista para usar en un robot excede lo que cubre el reportaje.

Integración y evaluación

El orden de evaluación ejecutable es: primero reproducir en el código y el conjunto de datos públicos la configuración en el dominio del reportaje, confirmar que la tasa de éxito, el error de trayectoria y las métricas de imagen coinciden, y luego separar un conjunto reservado de tu propio escenario y recalcular con la misma definición de éxito. Si el paso medio de las trayectorias de tu entorno difiere bastante del de las fuentes del artículo, la tasa de éxito se recalibrará; en ese caso conviene reportar también el error absoluto del punto final, no solo si hubo éxito. Después, hacer la ablación del condicionamiento por lenguaje, ejecutando con las mismas trayectorias una versión con instrucción y otra sin ella, para ver si la diferencia se acerca a los 8 puntos porcentuales del reportaje. Los dos puntos siguientes son recomendaciones condicionales y juicios de valor, no hechos del reportaje. Primero, la elección de enfoque debe depender de si el dominio objetivo cae dentro de la distribución de entrenamiento: si tu escenario se parece a las cuatro fuentes de interior, puedes probar primero la combinación de modelo del mundo y política; si el objetivo es todoterreno, sin mapa o un entorno claramente desconocido, puedes probar primero el modelo unificado. Esta elección se invierte cuando necesitas predicción continua de imágenes para sustentar decisiones posteriores, porque en el reportaje el SSIM@8 del modelo unificado es menor. La condición es que puedas hacer una evaluación con conjunto reservado fuera del dominio sobre tus propios datos; un criterio medible es si la diferencia de tasa de éxito en tu escenario se mantiene estable en la misma dirección a lo largo de varias semillas aleatorias, y no una única ejecución. Segundo, incorporar o no instrucciones de lenguaje al pipeline de datos depende de si puedes producir instrucciones que encajen con los tres estilos predefinidos: si solo tienes lenguaje oral libre o instrucciones que no están en inglés, no deberías suponer que obtendrás la misma ganancia. Un criterio medible es la diferencia de tasa de éxito entre el grupo con estilos de instrucción alineados y el grupo no alineado sobre el mismo conjunto reservado de trayectorias, y si la ganancia de tener instrucción frente a no tenerla es reproducible.

Límites y cuestiones pendientes

El reportaje ofrece código y conjunto de datos, pero no indica si se publican los pesos del modelo ni aclara las condiciones de licencia para inferencia o uso comercial; por tanto, no puede equipararse la publicación del código con la disponibilidad de pesos o con permiso de uso comercial. La tarea se limita a la predicción offline de trayectorias y aún no se han validado la ejecución en bucle cerrado ni la capacidad de recuperación tras errores; las instrucciones solo cubren tres estilos predefinidos en inglés, y las expresiones más naturales y las instrucciones multilingües quedan por examinar. El caso de fallo del artículo también muestra que, cuando la predicción de imágenes se desvía, las acciones posteriores pierden una base fiable. LCVN no figura actualmente en el catálogo de modelos de KimiSeek, y el reportaje no menciona ninguna API alojada; si más adelante aparece una interfaz relacionada, su disponibilidad, cuotas y condiciones dependerán del emisor y habrá que atenerse a su documentación oficial. El reportaje también menciona que el equipo organiza la pista WorldNav en el RoboWorld Challenge 2026, con el mismo conjunto de prueba mixto, y que los equipos participantes deben comprobar si el criterio de la clasificación coincide con el del artículo.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

NeurIPS 2026 Oral|LCVN:一张起始画面、一段语言指令,能否预测完整的导航路线?

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.