日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2511.19912

Reasoning-VLA:自動運転向けの高速で汎用的な視覚-言語-行動推論モデル

Reasoning-VLA: A Fast and General Vision-Language-Action Reasoning Model for Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

学習可能な行動クエリと推論強化された視覚言語特徴を並列に用いて連続行動軌道を生成するVLAフレームワークを提案し、8つの自動運転データセットを統合して学習・強化学習微調整を行い、最先端の性能と汎化性、高速推論を実現した。

詳しい要約

1. どんなもの?

- 自動運転向けの Vision-Language-Action (VLA) モデル「Reasoning-VLA」 - 汎用性と高速推論を狙った action-generation フレームワーク - 学習可能な action queries を用いて連続 action trajectory を並列生成 - 8つの公開自動運転データセットを標準化し学習に利用

2. 先行研究と比べてどこがすごい?

- 既存 VLA は推論効率と新規車両構成・走行シナリオへの汎化に課題 - 本手法は並列 action 生成により高速推論を実現 - 8データセット統合と Chain-of-Thought 推論ベースの標準化で汎化を強化 - 複数ベンチマークで state-of-the-art 性能・優れた汎化・高速推論を報告

3. 技術・手法の肝は?

- 学習可能な action queries を用意 - 訓練コーパス内の ground-truth trajectories から Gaussian sampling で初期化 - これらの queries が reasoning-enhanced vision-language features と相互作用 - 連続 action trajectories を並列に生成 - supervised learning と reinforcement learning fine-tuning を併用

4. どうやって有効だと検証した?

- 8つの公開自動運転データセットを統合した標準化データで訓練 - 複数ベンチマークで広範な実証評価を実施 - state-of-the-art 性能、優れた汎化能力、高速推論を確認したと報告 - 個別のベースライン比較やアブレーションの詳細は要旨からは不明

5. 議論はある?

- 推論速度と汎化の両立を主張 - 8データセット統合によるデータ標準化の有効性を示唆 - 具体的な限界、失敗事例、計算コスト、安全性の議論は要旨からは不明

6. 次に読むべき論文は?

- 比較対象として言及される既存 VLA 研究(個別名は要旨からは不明) - Chain-of-Thought reasoning を用いた自動運転 VLA - reinforcement learning fine-tuning を用いる VLA - 自動運転向け vision-language モデル全般(同分野の定番)

※ 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: Dapeng Zhang, Zhenlong Yuan, Zhangquan Chen, Chih-Ting Liao, Yinda Chen, Fei Shen, Qingguo Zhou, Tat-Seng Chua

分類: cs.CV, cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have recently shown strong decision-making capabilities in autonomous driving. However, existing VLAs often struggle with achieving efficient inference and generalizing to novel autonomous vehicle configurations and driving scenarios. In this paper, we propose Reasoning-VLA, a general and fast action-generation VLA framework. The proposed model employs a set of learnable action queries, initialized via Gaussian sampling from ground-truth trajectories within the training corpus. These learnable queries interact with reasoning-enhanced vision-language features to generate continuous action trajectories in parallel. To promote robust generalization, we consolidate eight publicly available autonomous driving datasets into a standardized, Chain-of-Thought reasoning-based, and easy-to-use data format for model training. Leveraging both supervised learning and reinforcement learning fine-tuning, extensive empirical evaluations across multiple benchmarks demonstrate that Reasoning-VLA achieves state-of-the-art performance, superior generalization capability, and the excellent inference speed reported to date.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI