Исследователи предлагают WCog-VLA, новую двухуровневую модель World-Cognitive Vision-Language-Action, предназначенную для обеспечения проактивного автономного вождения путем объединения семантического прогнозирования и генеративной эволюции. Модель устраняет ограничения существующих методов, которым не хватает всеобъемлющего понимания мира или которые страдают от фрагментированного предвидения.
На семантическом уровне WCog-VLA объединяет мировое познание и рассуждение с помощью 3D пространственного восприятия, токенов агентов для захвата динамики и рассуждений Game-theoretic Chain-of-Thought (Game-CoT). На генеративном уровне она использует Aligned Decoupled Diffusion Transformer (ADDT) для синтеза физически правдоподобных совместных траекторий нескольких агентов, одновременно сокращая шаги денормализации для ускорения вывода. Авторы также создали крупномасштабный набор данных с 85k аннотациями Game-CoT для содействия стратегическому рассуждению.
Обширные эксперименты на бенчмарке NAVSIM демонстрируют, что WCog-VLA достигает State-Of-The-Art (SOTA) PDMS балла 92.9.