日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転/VLAarXiv:2603.11041

DynVLA: 自動運転における行動推論のための世界ダイナミクス学習

DynVLA: Learning World Dynamics for Action Reasoning in Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

自動運転向けVLAモデルDynVLAを提案し、行動生成前に世界のダイナミクスを予測する新しいCoTパラダイムを導入した。

詳しい要約

1. どんなもの?

- 自動運転向けのVLAモデルDynVLAを提案 - 新しいCoTパラダイム「Dynamics CoT」を導入 - 行動生成前にコンパクトな世界ダイナミクスを予測 - 物理的に根拠のある意思決定を可能にする - Dynamics Tokenizerで未来の進化を少数のトークンに圧縮 - ego-centricとenvironment-centricのダイナミクスを分離 - SFTとRFTでダイナミクストークン生成を学習

2. 先行研究と比べてどこがすごい?

- Textual CoTは細かい時空間理解が欠如 - Visual CoTは密な画像予測で冗長性が大きい - Dynamics CoTはコンパクトで解釈可能かつ効率的 - 世界の進化を捉え、冗長性を抑える - NAVSIM、Bench2Drive、大規模社内データセットで - Textual CoTやVisual CoTを一貫して上回る

3. 技術・手法の肝は?

- Dynamics Tokenizerで未来進化を圧縮 - 少数のダイナミクストークンに変換 - ego-centricとenvironment-centricを分離 - より正確な世界ダイナミクスモデリングを実現 - SFTとRFTでダイナミクストークンを行動前に生成 - 推論レイテンシを効率的に維持

4. どうやって有効だと検証した?

- NAVSIM、Bench2Drive、大規模社内データセットで実験 - DynVLAがTextual CoTとVisual CoTを一貫して上回る - Dynamics CoTの有効性と実用性を検証

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- Textual CoT - Visual CoT - VLAモデル - 自動運転のCoT手法

※ 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: Shuyao Shang, Bing Zhan, Yunfei Yan, Yuqi Wang, Yingyan Li, Yasong An, Xiaoman Wang, Jierui Liu, Lu Hou, Lue Fan, Zhaoxiang Zhang, Tieniu Tan

分類: cs.CV, cs.RO

原文アブストラクト

We propose DynVLA, a driving VLA model that introduces a new CoT paradigm termed Dynamics CoT. DynVLA forecasts compact world dynamics before action generation, enabling more informed and physically grounded decision-making. To obtain compact dynamics representations, DynVLA introduces a Dynamics Tokenizer that compresses future evolution into a small set of dynamics tokens. Considering the rich environment dynamics in interaction-intensive driving scenarios, DynVLA decouples ego-centric and environment-centric dynamics, yielding more accurate world dynamics modeling. We then train DynVLA to generate dynamics tokens before actions through SFT and RFT, improving decision quality while maintaining latency-efficient inference. Compared to Textual CoT, which lacks fine-grained spatiotemporal understanding, and Visual CoT, which introduces substantial redundancy due to dense image prediction, Dynamics CoT captures the evolution of the world in a compact, interpretable, and efficient form. Extensive experiments on NAVSIM, Bench2Drive, and a large-scale in-house dataset demonstrate that DynVLA consistently outperforms Textual CoT and Visual CoT methods, validating the effectiveness and practical value of Dynamics CoT. Project Page: https://yaoyao-jpg.github.io/dynvla.

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. 2GXO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
  3. 3newmo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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI