StyleVLA: 運転スタイルを考慮した視覚言語行動モデルによる自動運転

- 自動運転向けの Vision Language Action (VLA) モデル StyleVLA を提案。 - 多様な driving style (sporty, comfortable 等) に適応した軌道生成を目指す。 - physics-informed な枠組みで、物理的に実現可能な運転行動を生成。 - Qwen3-VL-4B を基盤とし、4B パラメータの軽量モデル。

- 既存 VLA は generic な衝突回避軌道のみを生成し、driving style 適応が不足。 - 多くの手法は軌道生成を naive な token prediction として扱い、運動学的に不可能な行動を生む問題があった。 - StyleVLA は style 適応と物理的実現可能性を両立。 - 実験で proprietary な Gemini-3-Pro や SOTA VLA を上回る性能を達成。

- kinematic consistency constraint と continuous regression head を組み合わせた hybrid loss を導入。 - これにより軌道の feasibility を改善。 - Qwen3-VL-4B をベースに構築。 - 1.2k 以上の scenario、76k BEV サンプル、42k FPV サンプルを含む大規模 instruction dataset を構築。 - 5 つの driving style の ground-truth 軌道と自然言語 instruction を付与。

- 提案する composite driving score (success rate, physical feasibility, style adherence を統合) で評価。 - StyleVLA は BEV で 0.55、FPV で 0.51 を達成。 - 比較対象の Gemini-3-Pro は BEV 0.32、FPV 0.35。 - proprietary モデルや SOTA VLA を上回ることを実験で示した。

- 特化した physics-informed な軽量モデルが closed-source モデルを domain-specific タスクで凌駕し得ることを示唆。 - ただし、要旨からは限界や失敗事例、計算コスト、汎化性に関する議論は不明。 - データセットの規模や多様性、style 定義の妥当性などは要旨からは不明。

- 要旨で参照されている Gemini-3-Pro や state-of-the-art VLA モデル。 - 基盤モデルとして用いられた Qwen3-VL-4B。 - 関連手法として Vision Language Action (VLA) モデル全般、および Vision Language Models (VLMs) の自動運転応用。