WCog-VLAがプロアクティブな自律運転のためのデュアルレベル・ワールドコグニティブVLAを導入

研究者らは、セマンティック予測と生成進化を橋渡しすることで、プロアクティブな自律運転を可能にするように設計された革新的なデュアルレベル World-Cognitive Vision-Language-Action フレームワークである WCog-VLA を提案した。このモデルは、包括的なワールド認知に欠けるか、断片的な先見性に苦しむ既存の方法の限界に対処する。

セマンティックレベルでは、WCog-VLA は 3D 空間知覚、ダイナミクス捕捉のためのエージェントトークン、およびゲーム理論的 Chain-of-Thought (Game-CoT) 推論を用いてワールド認知と推論を統一する。生成レベルでは、物理的に妥当なマルチエージェントのjoint軌道を合成し、ノイズ除去ステップを削減して推論を加速するために、Aligned Decoupled Diffusion Transformer (ADDT) を採用している。著者らはまた、戦略的推論を促進するために 85k の Game-CoT アノテーションを特徴とする大規模データセットも構築した。

NAVSIM ベンチマークでの広範な実験により、WCog-VLA が State-Of-The-Art (SOTA) PDMS スコア 92.9 を達成することが示された。