WCog-VLA 引入双层级世界认知 VLA 以实现主动式自动驾驶

研究人员提出了 WCog-VLA，这是一种新颖的双层级 World-Cognitive Vision-Language-Action 框架，旨在通过弥合语义预测与生成演化之间的差距来实现主动式自动驾驶。该模型解决了现有方法缺乏全面世界认知或存在预见性碎片化的局限性。

在语义层面，WCog-VLA 利用 3D 空间感知、用于捕捉动态的智能体令牌以及 Game-theoretic Chain-of-Thought (Game-CoT) 推理来统一世界认知与推理。在生成层面，它采用 Aligned Decoupled Diffusion Transformer (ADDT) 合成物理上合理的多智能体联合轨迹，同时减少去噪步骤以加速推理。作者还构建了一个包含 85k Game-CoT 注释的大规模数据集，以促进策略性推理。

在 NAVSIM 基准上的大量实验表明，WCog-VLA 实现了 State-Of-The-Art (SOTA) PDMS 得分 92.9。