論文の概要: OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2604.17915v1
• Date: Mon, 20 Apr 2026 07:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.7533
• Title: OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models
• Title（参考訳）: OneDrive:ビジョン・ランゲージ・アクション・モデルによるマルチパラダイム統合運転
• Authors: Yiwei Zhang, Xuesong Chen, Jin Gao, Hanshi Wang, Fudong Ge, Weiming Hu, Shaoshuai Shi, Zhipeng Zhang,
• Abstract要約: 予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 69.2503510410147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models(VLMs) excel at autoregressive text generation, yet end-to-end autonomous driving requires multi-task learning with structured outputs and heterogeneous decoding behaviors, such as autoregressive language generation, parallel object detection and trajectory regression. To accommodate these differences, existing systems typically introduce separate or cascaded decoders, resulting in architectural fragmentation and limited backbone reuse. In this work, we present a unified autonomous driving framework built upon a pretrained VLM, where heterogeneous decoding behaviors are reconciled within a single transformer decoder. We demonstrate that pretrained VLM attention exhibits strong transferability beyond pure language modeling. By organizing visual and structured query tokens within a single causal decoder, structured queries can naturally condition on visual context through the original attention mechanism. Textual and structured outputs share a common attention backbone, enabling stable joint optimization across heterogeneous tasks. Trajectory planning is realized within the same causal LLM decoder by introducing structured trajectory queries. This unified formulation enables planning to share the pretrained attention backbone with images and perception tokens. Extensive experiments on end-to-end autonomous driving benchmarks demonstrate state-of-the-art performance, including 0.28 L2 and 0.18 collision rate on nuScenes open-loop evaluation and competitive results (86.8 PDMS) on NAVSIM closed-loop evaluation. The full model preserves multi-modal generation capability, while an efficient inference mode achieves approximately 40% lower latency. Code and models are available at https://github.com/Z1zyw/OneDrive
• Abstract（参考訳）: VLM(Vision-Language Models)は、自動回帰テキスト生成において優れているが、エンドツーエンドの自律運転では、構造化された出力を持つマルチタスク学習と、自動回帰言語生成、並列オブジェクト検出、軌道回帰などの異種復号動作を必要とする。 これらの違いに対応するため、既存のシステムは通常、分離またはカスケードされたデコーダを導入し、アーキテクチャの断片化とバックボーンの再利用が制限される。 本研究では,予め訓練されたVLM上に構築された統合された自律運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 単一の因果デコーダ内に視覚的および構造化されたクエリトークンを配置することにより、構造化されたクエリは、本来のアテンション機構を通じて視覚的コンテキストに自然に条件付けすることができる。 テキストと構造化された出力は共通の注意バックボーンを共有し、不均一なタスク間で安定した共同最適化を可能にする。 軌道計画は同じ因果LLMデコーダ内で構造化トラジェクトリクエリを導入して実現している。 この統一された定式化により、事前訓練された注意バックボーンと画像と知覚トークンを共有できる。 エンドツーエンドの自動運転ベンチマークに関する大規模な実験は、NAVSIMクローズドループ評価におけるnuScenesオープンループ評価と競争結果(86.8 PDMS)に対する0.28 L2と0.18の衝突率を含む最先端の性能を実証している。 完全なモデルはマルチモーダル生成能力を保ち、効率的な推論モードはおよそ40%のレイテンシを実現する。 コードとモデルはhttps://github.com/Z1zyw/OneDriveで入手できる。

関連論文リスト

• OmniTrace: A Unified Framework for Generation-Time Attribution in Omni-Modal LLMs [31.589945976149973]
  我々は、Attributionを世代追跡問題として形式化する軽量でモデルに依存しないフレームワークであるOmniTraceを紹介した。 本研究では, 世代別スパンレベルの属性が, 自己帰属よりも安定かつ解釈可能な説明をもたらすことを示す。 この結果から,属性を構造化された生成時トレース問題として扱うことは,オムニモーダル言語モデルにおける透明性のスケーラブルな基盤となることが示唆された。
  論文  参考訳（メタデータ） (2026-03-20T17:25:00Z)
• Unifying Language-Action Understanding and Generation for Autonomous Driving [25.23561391638388]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転において有望なパラダイムとして浮上している。 既存の手法には、言語命令とアクションアウトプットの永続的なミスアライメントと、典型的な自己回帰行動生成の非効率性という2つの重要な制限がある。 LinkVLAは、これらの課題に直接対処し、アライメントと効率の両方を強化する新しいアーキテクチャです。
  論文  参考訳（メタデータ） (2026-03-02T04:41:10Z)
• Accelerating Structured Chain-of-Thought in Autonomous Vehicles [55.78214218065611]
  チェーン・オブ・ソート(CoT)推論は、自律運転における視覚言語行動モデルの意思決定能力を高める。 FastDriveCoTはテンプレート構造CoTを高速化する新しい並列復号法である。
  論文  参考訳（メタデータ） (2026-02-02T22:14:26Z)
• ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving [44.008287454538596]
  視覚言語モデル(VLM)は、クロスモーダルな先行とコモンセンス推論を導入することで、このパラダイムを豊かにする。 現在のVLMベースのプランナは、(i) 個別のテキスト推論と継続的制御のミスマッチ、(ii) 自己回帰的連鎖のデコーディングからの高い遅延、(iii) リアルタイムデプロイメントを制限する非効率または非因果的なプランナである。 テキストから潜在空間へ推論を転送し,それを階層的並列軌道デコーダで結合する統合視覚言語アクションフレームワークColaVLAを提案する。
  論文  参考訳（メタデータ） (2025-12-28T14:06:37Z)
• FSDAM: Few-Shot Driving Attention Modeling via Vision-Language Coupling [5.609178055761294]
  本稿では,100の注釈付き例で共同注意予測とキャプション生成を実現するフレームワークであるFSDAMを提案する。 FSDAMは、注意予測における競合性能を達成し、コヒーレントでコンテキストを考慮した説明を生成する。 本研究は,効果的な注意条件付き生成が限定的な監督によって達成可能であることを示し,説明可能な運転注意システムの実用的展開の可能性を示した。
  論文  参考訳（メタデータ） (2025-11-16T17:50:30Z)
• OneCAT: Decoder-Only Auto-Regressive Model for Unified Understanding and Generation [91.45421429922506]
  OneCATは、理解、生成、編集をシームレスに統合する統合マルチモーダルモデルである。 我々のフレームワークは、推論中に視覚変換器(ViT)や視覚トークン化器などの外部コンポーネントを不要にする。
  論文  参考訳（メタデータ） (2025-09-03T17:29:50Z)
• CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
  CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。 CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。 これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
  論文  参考訳（メタデータ） (2025-06-24T17:30:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。