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:2512.11872

WAM-Diff: マスク拡散とMoE・オンライン強化学習を統合した自動運転VLAフレームワーク

WAM-Diff: A Masked Diffusion VLA Framework with MoE and Online Reinforcement Learning for Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

自動運転の軌道生成にマスク拡散モデルを適用し、スパースMoEとオンライン強化学習を組み合わせることで、NAVSIMベンチマークで高い性能を達成したVLAフレームワーク。

詳しい要約

1. どんなもの?

- 視覚・言語・行動(VLA)モデルに基づくエンドツーエンド自動運転フレームワーク。 - マスク付き拡散(masked diffusion)を用いて離散的な未来の自車軌道を反復的に洗練。 - 3つの革新:自動運転向けマスク付き拡散の体系的適応、スパースMoEによるスケーラブルな容量、オンライン強化学習(GSPO)。 - NAVSIM-v1で91.0 PDMS、NAVSIM-v2で89.7 EPDMSを達成。

2. 先行研究と比べてどこがすごい?

- 自己回帰型大規模言語モデルや連続拡散ポリシーが主流だが、離散マスク付き拡散の軌道生成への可能性は未探索。 - 本手法は非因果的なデコーディング順序を柔軟にサポートし、シナリオ認識型のデコーディング戦略を可能にする。 - スパースMoEとオンライン強化学習を組み合わせ、従来の自己回帰・拡散ベースポリシーに対する有望な代替を提供。

3. 技術・手法の肝は?

- マスク付き拡散により離散シーケンス(未来の自車軌道)を反復的に精製。 - スパースMoEアーキテクチャを採用し、運動予測と運転指向VQAで共同訓練。 - オンライン強化学習にGroup Sequence Policy Optimization(GSPO)を用い、シーケンスレベルの運転報酬を最適化。 - 非因果的デコーディング順序を許容し、シナリオに応じた柔軟な生成が可能。

4. どうやって有効だと検証した?

- NAVSIM-v1で91.0 PDMS、NAVSIM-v2で89.7 EPDMSを達成。 - これらのベンチマーク結果により、マスク付き拡散の自動運転への有効性を実証。 - コードは公開予定(https://github.com/fudan-generative-vision/WAM-Diff)。

5. 議論はある?

- マスク付き拡散が自動運転において有効であることを示し、自己回帰・拡散ベースポリシーに代わる可能性を提示。 - シナリオ認識型デコーディング戦略をサポート。 - 具体的な限界や課題については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:自己回帰大規模言語モデル、連続拡散ポリシー、Group Sequence Policy Optimization(GSPO)。 - 関連手法:NAVSIMベンチマーク、VLAモデル、スパースMoE。 - 同分野の定番:Vision-Language-Action(VLA)モデル、拡散ポリシー、強化学習による運転。

※ 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: Mingwang Xu, Jiahao Cui, Feipeng Cai, Hanlin Shang, Zhihao Zhu, Shan Luan, Yifang Xu, Neng Zhang, Yaoyi Li, Jia Cai, Siyu Zhu

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

End-to-end autonomous driving systems based on vision-language-action (VLA) models integrate multimodal sensor inputs and language instructions to generate planning and control signals. While autoregressive large language models and continuous diffusion policies are prevalent, the potential of discrete masked diffusion for trajectory generation remains largely unexplored. This paper presents WAM-Diff, a VLA framework that employs masked diffusion to iteratively refine a discrete sequence representing future ego-trajectories. Our approach features three key innovations: a systematic adaptation of masked diffusion for autonomous driving that supports flexible, non-causal decoding orders; scalable model capacity via a sparse MoE architecture trained jointly on motion prediction and driving-oriented visual question answering (VQA); and online reinforcement learning using Group Sequence Policy Optimization (GSPO) to optimize sequence-level driving rewards. Remarkably, our model achieves 91.0 PDMS on NAVSIM-v1 and 89.7 EPDMS on NAVSIM-v2, demonstrating the effectiveness of masked diffusion for autonomous driving. The approach provides a promising alternative to autoregressive and diffusion-based policies, supporting scenario-aware decoding strategies for trajectory generation. The code for this paper will be released publicly at: https://github.com/fudan-generative-vision/WAM-Diff

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI