DiffVLA: 視覚言語モデルが導く拡散プランニングによる自動運転

- 本論文は **Diff-VLA** とよばれる end-to-end autonomous driving 手法を提案する。 - perception・prediction・planning を fully differentiable に統合する end-to-end パラダイムを対象とする。 - **VLM** (Vision-Language Model) が導く hybrid sparse-dense diffusion policy を核とする。 - 複雑な実世界シナリオでの意思決定の改善を狙う。

- 既存の end-to-end 手法の課題として、高コストな **BEV** 計算、action diversity の不足、複雑な実世界シナリオでの sub-optimal な意思決定を挙げる。 - これに対し、**VLM** による driving decision の有効性を再検討し、trajectory generation の guidance を改善する点が差分。 - 具体的な先行研究名や数値比較は要旨からは不明。

- **VLM** を活用した hybrid sparse-dense diffusion policy を提案。 - 効率的な multi-modal driving behavior のため sparse diffusion representation を探究。 - agent・map instances・**VLM** 出力の間の deep interaction を通じて trajectory generation を guidance。 - 詳細なアーキテクチャや学習手順は要旨からは不明。

- **Autonomous Grand Challenge 2025** で評価。 - 実シナリオと reactive synthetic scenarios を含むベンチマーク。 - 提案手法は **45.0 PDMS** を達成し、優れた性能を示したと報告。 - 比較対象やアブレーションの詳細は要旨からは不明。

- 要旨からは不明。 - ただし **BEV** 計算コスト、action diversity、sub-optimal decision への対処を動機としており、これらの改善度合いが議論の焦点になりうる。

- 要旨で明示的に参照・比較されている研究はない。 - 関連手法として end-to-end autonomous driving、**BEV** ベース手法、diffusion policy、**VLM** を用いた driving decision の代表的論文を次に読む候補として挙げる。