Pesquisadores propõem o WCog-VLA, um novo framework World-Cognitive Vision-Language-Action de dois níveis projetado para habilitar a direção autônoma proativa ao unir previsão semântica com evolução generativa. O modelo aborda limitações em métodos existentes que carecem de cognição abrangente do mundo ou sofrem de visão fragmentada.
No nível semântico, o WCog-VLA unifica a cognição e o raciocínio do mundo usando percepção espacial 3D, tokens de agente para captura de dinâmica e raciocínio Game-theoretic Chain-of-Thought (Game-CoT). No nível generativo, ele emprega um Aligned Decoupled Diffusion Transformer (ADDT) para sintetizar trajetórias conjuntas multiagente fisicamente plausíveis enquanto reduz as etapas de desruído para acelerar a inferência. Os autores também construíram um conjunto de dados em larga escala com 85k anotações Game-CoT para facilitar o raciocínio estratégico.
Experimentos extensos no benchmark NAVSIM demonstram que o WCog-VLA alcança uma pontuação PDMS State-Of-The-Art (SOTA) de 92.9.