शोधकर्ताओं ने WCog-VLA का प्रस्ताव किया है, एक नवीन द्वि-स्तरीय वर्ल्ड-कोग्निटिव विज़न-लैंग्वेज-एक्शन फ्रेमवर्क जिसे सेमांटिक पूर्वानुमान को जनरेटिव विकास के साथ जोड़कर सक्रिय स्वचालित ड्राइविंग सक्षम बनाने के लिए डिज़ाइन किया गया है। मॉडल मौजूदा तरीकों की सीमाओं को दूर करता है जिनमें दुनिया की व्यापक संज्ञानात्मकता का अभाव है या जो टुकड़े-टुकड़े हुए पूर्वदर्शन से पीड़ित हैं।
सेमांटिक स्तर पर, WCog-VLA 3D स्थानिक अनुभूति, गतिशीलता को पकड़ने के लिए एजेंट टोकन और गेम-थ्योरेटिक चेन-ऑफ़-थाट (Game-CoT) तर्क का उपयोग करके दुनिया की संज्ञानात्मकता और तर्क को एकत्र करता है। जनरेटिव स्तर पर, यह भौतिक रूप से युक्तिसंगत बहु-एजेंट ट्रेजेक्टरी को संश्लेषित करते हुए अनुमानन को तेज़ करने के लिए ध्वनि-हटाने की चरणों को कम करने के लिए एलाइन्ड डिकपल्ड डिफ्यूजन ट्रान्सफॉर्मर (ADDT) का उपयोग करता है। रणनीतिक तर्क को सुगम बनाने के लिए लेखकों ने 85k Game-CoT टिप्पणियों वाले एक बड़े पैमाने पर डेटासेट भी बनाया है।
NAVSIM बेंचमार्क पर व्यापक प्रयोगों से पता चलता है कि WCog-VLA State-Of-The-Art (SOTA) PDMS स्कोर 92.9 हासिल करता है।