Los investigadores proponen WCog-VLA, un nuevo marco World-Cognitive Vision-Language-Action de doble nivel diseñado para habilitar la conducción autónoma proactiva mediante la unión de la predicción semántica con la evolución generativa. El modelo aborda las limitaciones de los métodos existentes que carecen de una cognición integral del mundo o sufren de una visión fragmentada.
A nivel semántico, WCog-VLA unifica la cognición y el razonamiento del mundo utilizando percepción espacial 3D, tokens de agente para capturar dinámicas y razonamiento Game-theoretic Chain-of-Thought (Game-CoT). A nivel generativo, emplea un Aligned Decoupled Diffusion Transformer (ADDT) para sintetizar trayectorias conjuntas multiagente físicamente plausibles mientras reduce los pasos de desruido para acelerar la inferencia. Los autores también construyeron un conjunto de datos a gran escala con 85k anotaciones Game-CoT para facilitar el razonamiento estratégico.
Los experimentos extensos en el benchmark NAVSIM demuestran que WCog-VLA logra una puntuación PDMS State-Of-The-Art (SOTA) de 92.9.