推論から軌道幾何条件を学習する自動運転VLA

- 自動運転向けの VLA (Vision-Language-Action) 計画手法 AutoVLA-D を提案する研究。 - 連続軌道を最終出力とする従来の autoregressive VLA planning に対し、離散的な軌道幾何条件 TrajCond を導入する。 - TrajCond は 1D-Brohan differential action trajectory として表現し、最終的な連続軌道予測の前に学習する。 - 離散軌道と数値軌道を同時に autoregressive 生成するため Double と呼ぶ。

- 従来の autoregressive VLA planning は連続軌道を最終出力として直接予測するが、driving instructions は ego state より action を記述しがちで、最終連続軌道への直接条件付けが弱いという課題がある。 - 本研究はこのギャップに対し、離散的な軌道幾何条件 TrajCond を中間表現として導入する点が新しい。 - 離散軌道は直接出力としては弱いが、TrajCond としては最終連続軌道予測を一貫して改善することを示す。

- TrajCond を 1D-Brohan differential action trajectory として表現する。 - 最終連続軌道予測の前に、二段階の学習フレームワーク (two-stage training framework) で TrajCond を学習する。 - 離散軌道と数値軌道を同時に autoregressive 生成する仕組みを採用する。 - 詳細なネットワーク構成や学習損失は要旨からは不明。

- NAVSIM navtest、nuScenes、NeuroNCAP の 3 つのベンチマークで実験する。 - closed-loop と open-loop の両方の driving benchmark で評価する。 - 離散軌道は直接出力としては弱いが TrajCond としては有効で、最終連続軌道予測を一貫して改善することを示す。 - 具体的な指標値や比較手法は要旨からは不明。

- 離散軌道の直接出力としての弱さと、条件付けとしての有効性の対比が議論の中心。 - driving instructions が action を記述し ego state を記述しないことが連続軌道への直接条件付けを弱める、という問題設定を提示する。 - 二段階学習や 1D-Brohan 表現の設計選択に関する詳細な議論は要旨からは不明。

- 本研究が比較対象とする autoregressive VLA planning の代表的手法 (要旨では個別名は明示されず)。 - NAVSIM、nuScenes、NeuroNCAP を用いた関連 VLA planning 研究。 - 1D-Brohan differential action trajectory や離散軌道条件付けに関する関連研究。 - 具体的な論文名は要旨からは不明。