VLA2026/9/14arXiv:2609.15322

バックボーン内計画：運転VLMによるネイティブ連続軌道生成のためのDiffAdapterVLA

Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs

運転用VLMの後段層に軌道トークンを注入し、軽量なDiffAdapterで再帰的に軌道を洗練させることで、追加のプランナーなしに連続軌道計画を実現した手法。

詳しい要約

1. どんなもの？

- 運転用の事前学習済みVLMを活用し、連続的な軌道計画をVLMのバックボーン内で実現する手法「DiffAdapterVLA」を提案。 - 軌道トークンをVLMの後半層に注入し、運転条件と軌道状態を深さ方向で共進化させる。 - 軽量な層ごとのDiffAdapterと非対称joint attentionにより、条件から軌道への誘導を保持。 - 独立した軌道プランナーを不要にし、既存の運転事前知識を効率的な連続計画能力に変換。

2. 先行研究と比べてどこがすごい？

- 既存手法はVLMが最終条件を形成した後に軌道生成を開始し、深さ方向の条件計算が軌道状態の段階的形成の外にあった。 - 提案手法は計画をバックボーン内に統合し、軌道状態をVLMの後半層の順伝播計算に組み込む。 - これにより、異なる深さで運転条件と軌道状態が共進化し、独立プランナーに依存しない。 - 軽量な軌道モジュールのみを適応させ、既存の運転事前知識を効率的に活用できる点が優れている。

3. 技術・手法の肝は？

- VLMの後半層に明示的な軌道トークンを注入し、軌道状態をバックボーンの順伝播計算に参加させる。 - 層ごとの軽量DiffAdapterが再帰的な軌道洗練を組織化。 - 非対称joint attentionにより、条件ストリームから軌道計画への方向性のある誘導を保持。 - 計画を独立プランナーではなく既存のバックボーン計算内に配置。

4. どうやって有効だと検証した？

- NAVSIMの結果により、少ない学習可能パラメータで低遅延かつ高品質な閉ループ計画を達成。 - VLM後半層計算において軌道状態と深さ方向の運転条件を共進化させることが、連続軌道計画を効果的に実現することを示した。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。関連手法として、VLMベースの運転計画、Diffusion Policy、Trajectory Transformer、NAVSIMベンチマークの定番手法が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Changxin Lu, Xiaoliang Meng, Yu Wu, Rui Huang, Honglin Li, Tao Chen, Kaixuan Zhou, Yadong Shao

分類: cs.RO, cs.AI

原文アブストラクト

Pretrained driving vision-language models (VLMs) integrate visual, route, language, and driving context into rich driving priors, yet their representation objectives remain separated from continuous driving planning. Existing methods typically begin trajectory generation only after the VLM has formed a final condition, leaving depth-wise condition computation outside the stepwise formation of trajectory state. We introduce DiffAdapterVLA, which realizes Planning in the Backbone: it injects explicit trajectory tokens into selected VLM late layers, bringing trajectory state into backbone forward computation, where it co-evolves with driving conditions at different depths. Lightweight layer-wise DiffAdapters organize this computation into recursive trajectory refinement, while asymmetric joint attention preserves directed guidance from the condition stream to trajectory planning. By placing planning within existing backbone computation rather than relying on an independent trajectory planner, DiffAdapterVLA adapts only lightweight trajectory modules to turn existing driving priors into efficient continuous planning capability. NAVSIM results show that it achieves high-quality closed-loop planning with low end-to-end latency using few trainable parameters, and demonstrate that jointly evolving trajectory state and depth-wise driving conditions in VLM late-layer computation effectively realizes continuous trajectory planning.

arXivで原文を読む →arXiv概要ページ