Les chercheurs proposent WCog-VLA, un nouveau cadre Vision-Language-Action de Monde Cognitif à double niveau conçu pour permettre une conduite autonome proactive en reliant la prédiction sémantique à l'évolution générative. Le modèle comble les lacunes des méthodes existantes qui manquent d'une cognition mondiale complète ou souffrent d'une anticipation fragmentée.
Au niveau sémantique, WCog-VLA unifie la cognition du monde et le raisonnement en utilisant la perception spatiale 3D, des jetons d'agent pour la capture de la dynamique et un raisonnement Game-theoretic Chain-of-Thought (Game-CoT). Au niveau génératif, il emploie un Transformer de Diffusion Découplé Aligné (ADDT) pour synthétiser des trajectoires multi-agents conjointes physiquement plausibles tout en réduisant les étapes de débruitage afin d'accélérer l'inférence. Les auteurs ont également construit un jeu de données à grande échelle comportant 85k annotations Game-CoT pour faciliter le raisonnement stratégique.
Des expériences approfondies sur le benchmark NAVSIM démontrent que WCog-VLA atteint un score PDMS State-Of-The-Art (SOTA) de 92.9.