潜在連鎖推論によるエンドツーエンド運転の世界モデリング

- 自動運転向けの Vision-Language-Action (VLA) モデル - 推論時の reasoning を latent 空間で行うモデル LCDrive (Latent-CoT-Drive) を提案 - chain-of-thought (CoT) を自然言語ではなく、検討中の driving action の結果を捉える latent language で表現 - CoT reasoning と意思決定を action-aligned latent space で統合 - 推論は 2 種類のトークンを交互に生成 - action-proposal tokens: モデルの出力 action と同じ語彙を使用 - world model tokens: 学習された latent world model に基づき、action の将来結果を表現 - 対象は end-to-end driving の推論時 reasoning と安全性向上

- 先行研究の多くは自然言語で CoT reasoning を表現してから driving action を出力 - 本論文はテキストが reasoning の最も効率的な表現とは限らないと指摘 - LCDrive は reasoning を latent language で行う点が新しい - action と同一語彙の action-proposal tokens と、latent world model に基づく world model tokens を交互生成 - 大規模 end-to-end driving benchmark で、non-reasoning および text-reasoning の baseline と比較し - 推論が高速 - trajectory 品質が向上 - interactive reinforcement learning による改善幅が大きい - と報告

- CoT reasoning と decision making を action-aligned latent space で統合 - 推論は以下のトークンを交互に生成することで行う - action-proposal tokens: 出力 action と同じ語彙を使用 - world model tokens: 学習された latent world model に基づき action の将来結果を表現 - latent CoT の cold start - シーンの ground-truth future rollouts に基づいて action proposals と world model tokens を supervision - post-training - closed-loop reinforcement learning により reasoning 能力を強化

- 大規模 end-to-end driving benchmark で評価 - 比較対象 - non-reasoning baseline - text-reasoning baseline - 結果 - 推論が高速 - trajectory 品質が向上 - interactive reinforcement learning による改善幅が大きい - と報告されている - 具体的な benchmark 名や指標の詳細は要旨からは不明

- 自然言語による CoT より latent 表現が効率的である可能性を示唆 - 推論速度と trajectory 品質の両面で優位と報告 - closed-loop reinforcement learning が reasoning 能力強化に有効であると示唆 - 限界や失敗ケース、latent world model の解釈性、安全性の詳細な議論は要旨からは不明

- 比較対象である text-reasoning 型の VLA chain-of-thought 研究（要旨では個別名の参照なし） - non-reasoning 型の end-to-end driving VLA モデル - latent world model を用いた driving 研究 - closed-loop reinforcement learning による VLA post-training 研究 - 具体的な論文名は要旨からは不明