Geo-VLA: 地図セマンティクスの内在化による幾何認識型視覚言語行動計画
Geo-VLA: Geometry-Aware Vision-Language-Action Planning via Internalization of Map Semantics
複雑な運転環境でのVLAモデルの計画性能を向上させるため、幾何学的な地図情報を学習時に内在化するプラグアンドプレイ型フレームワークGeo-VLAを提案した。推論時にはHD地図を不要とし、NAVSIM v1で単眼カメラVLAプランナーとして最高性能を達成した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Ran Chen, Jiaxing Ren, Zhikun Zhang, Yunhao Hou, Junbao Zhuo, Bochao Zou
分類: cs.RO, cs.AI
原文アブストラクト
Vision-language-action (VLA) models have advanced end-to-end autonomous driving by leveraging foundation models for semantic reasoning and long-tail generalization. However, their planning performance remains limited in complex driving environments because image-only representations inadequately capture planning-relevant road geometry and topology. In this paper, we propose Geo-VLA, a plug-and-play framework that enhances VLA models by learning geometry-aware visual representations. During training, Geo-VLA internalizes geometric map semantics to strengthen road-structure representations, while requiring no HD maps or additional lane information during inference. To support this approach, we introduce Geo-QA, a geometry-focused question-answering dataset that injects road geometry into vision-language representations through contrastive learning and instruction tuning. Experiments on NAVSIM v1 demonstrate that Geo-VLA consistently improves VLA planners with distinct action-generation architectures, achieving 92.1 PDMS and establishing a new state-of-the-art among single-camera VLA planners.
関連論文
- 知覚しているのにブレーキを踏まない：推論型VLA運転モデルにおける知覚-行動バインディングのギャップ自動運転/VLA
- 運転用VLAの異なる車体構成へのゼロショット転移に向けて自動運転/VLA
- FIRE-VLA: 自動運転における視覚言語行動モデルの失敗情報に基づく自己進化自動運転/VLA
- FactorDrive: 計画重要因子に基づく適応的多段階推論によるエンドツーエンド自動運転自動運転/VLA
- AnchorVLA: 離散的な意思決定と連続的な軌道を橋渡しする視覚言語行動計画自動運転/VLA
- S-squared-VLA: 自動運転のための視覚言語行動モデルにおける意味ストリームと空間ストリームの分離自動運転/VLA
