WCog-VLA memperkenalkan VLA kognitif dunia dua tingkat untuk mengemudi otonom proaktif

Para peneliti mengusulkan WCog-VLA, sebuah kerangka Vision-Language-Action Kognisi Dunia dua tingkat yang novel yang dirancang untuk memungkinkan pengemudi otonom proaktif dengan menjembatani peramalan semantik dan evolusi generatif. Model ini mengatasi keterbatasan pada metode yang ada yang kurang memiliki kognisi dunia yang komprehensif atau menderita wawasan depan yang terfragmentasi.

Pada tingkat semantik, WCog-VLA menyatukan kognisi dunia dan penalaran menggunakan persepsi spasial 3D, token agen untuk menangkap dinamika, dan penalaran Chain-of-Thought berbasis Teori Permainan (Game-CoT). Pada tingkat generatif, model ini menggunakan Transformer Difusi Terpisah yang Diselaraskan (ADDT) untuk mensintesis trajektori multi-agen gabungan yang secara fisik masuk akal sambil mengurangi langkah denoising untuk mempercepat inferensi. Para penulis juga membangun dataset skala besar yang menampilkan 85k anotasi Game-CoT untuk memfasilitasi penalaran strategis.

Eksperimen ekstensif pada benchmark NAVSIM menunjukkan bahwa WCog-VLA mencapai skor PDMS State-Of-The-Art (SOTA) sebesar 92.9.