論文の概要: DriveMA: Driving Vision-Language-Action Models with verifiable Meta-Actions
- arxiv url: http://arxiv.org/abs/2605.31271v1
- Date: Fri, 29 May 2026 13:03:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.621625
- Title: DriveMA: Driving Vision-Language-Action Models with verifiable Meta-Actions
- Title（参考訳）: DriveMA: メタアクションを検証可能なビジョン・ランゲージ・アクションモデル
- Abstract要約: 検証可能なメタアクションに基づいて構築されたドライビングVLAフレームワークであるDriveMAを提案する。
DriveMAは、アクション中心の教師付きトレーニングと、データ効率の高いターンレベルのクレジット代入強化学習フレームワークによって、この検証可能性を活用する。
単純なメタアクションインタフェースであっても,言語アクションアライメントの検証と最適化を行えば,最先端の計画を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 31.04597401352966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving Vision-Language-Action Models (Driving VLAs) aim to use language to improve end-to-end planning, but the language-action gap limits this promise. We propose DriveMA, a Driving VLA framework built on verifiable meta-actions, which summarize future ego motion into compact language-domain intentions and can be constructed from expert trajectories with a trajectory-grounded annotation pipeline and can be verified against generated trajectories through rule-based projection. DriveMA exploits this verifiability with action-centric supervised training and a data-efficient turn-level credit assignment reinforcement learning framework, explicitly aligning high-level decisions with low-level trajectory planning through dense rewards and precise credit assignment. DriveMA sets a new state of the art on the Waymo Open Dataset Vision-based E2E Driving, achieving a Rater Feedback Score of 8.060 with a 2B model and further improving it to 8.079 with a 4B model; it also obtains competitive closed-loop planning performance on NAVSIM. These results show that even a simple meta-action interface can achieve state-of-the-art planning when made verifiable and optimized for language-action alignment. Code, data, and models will be released to facilitate future research.
- Abstract（参考訳）: Driving Vision-Language-Action Models (Driving VLAs) は、エンドツーエンドの計画を改善するために言語を使うことを目的としている。
検証可能なメタアクションに基づいて構築された駆動VLAフレームワークであるDriveMAを提案する。このフレームワークは,将来のエゴ運動をコンパクトな言語領域の意図に要約し,トラジェクティブ・グラウンドド・アノテーション・パイプラインを用いたエキスパート・トラジェクトリから構築し,ルールベース・プロジェクションにより生成されたトラジェクトリに対して検証することができる。
DriveMAは、アクション中心の教師付きトレーニングとデータ効率の高いターンレベルのクレジット割り当て強化学習フレームワークによって、この検証可能性を活用し、高レベルの決定と高レベルのトラジェクトリプランニングを、厳密な報酬と正確なクレジット割り当てを通じて明確に整合させる。
DriveMAはWaymo Open Dataset VisionベースのE2E Drivingに新たな最先端技術を設定し、2BモデルでRater Feedback Scoreの8.060を達成し、4Bモデルで8.079に改善した。
これらの結果から,単純なメタアクションインタフェースであっても,言語行動アライメントの検証と最適化を行えば,最先端の計画が達成できることが示唆された。
コード、データ、モデルは、将来の研究を促進するためにリリースされます。
関連論文リスト
- LWDrive: Layer-Wise World-Model-Guided Vision-Language Model Planning for Autonomous Driving [13.964957969409655]
We developed the Layer-Wise World-Model-Guided Driving framework (LWDrive)
LWDriveは、階層的なワールドモデルガイダンスを通じて粗い軌跡を洗練するVLM計画フレームワークである。
実験の結果、LWDriveはNAVSIMベンチマークで92.0、NAVSIM-v2で89.6を記録した。
論文 参考訳（メタデータ） (2026-06-29T07:17:13Z) - DriveMA: Rethinking Language Interfaces in Driving VLAs with One-Step Meta-Actions [31.04597401352966]
本稿では,一段階の簡潔なメタアクションが冗長推論の代案として有用であることを示す。
本稿では,アクション中心型教師付きトレーニングとターンレベルクレジットアサインメント強化学習フレームワークを組み合わせたDriveMAを提案する。
DriveMAは2Bモデルでエンド・ツー・エンド・ドライブ・チャレンジ(End-to-End Driving Challenge)の新たな最先端を達成し、Rater Feedback Score (RFS)は8.060に達し、4Bバージョンでは8.079に改善されている。
論文 参考訳（メタデータ） (2026-05-20T15:05:36Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - EvoDriveVLA: Evolving Autonomous Driving Vision-Language-Action Model via Collaborative Perception-Planning Distillation [58.84721000276226]
EvoDriveVLAは、新しい協調認識計画フレームワークである。
自己認識の知覚的制約とオラクル誘導軌道最適化を統合している。
EvoDriveVLAはオープンループ評価におけるSOTA性能を実現し,クローズドループ評価における性能を大幅に向上させる。
論文 参考訳（メタデータ） (2026-03-10T10:19:07Z) - Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future [125.92052530850425]
VLA(Vision-Language-Action)フレームワークは、認識と言語に基づく意思決定を統合する。
VLAフレームワークは、より解釈可能で、一般化可能で、人間に準拠した運転ポリシーへの道筋を提供する。
この研究は、人間と互換性のある自動運転システムを構築するための一貫性のある基盤を確立することを目的としている。
論文 参考訳（メタデータ） (2025-12-18T16:57:44Z) - AutoVLA: A Vision-Language-Action Model for End-to-End Autonomous Driving with Adaptive Reasoning and Reinforcement Fine-Tuning [37.176428069948535]
Vision-Language-Action(VLA)モデルは、エンドツーエンドの自動運転を約束している。
現在のVLAモデルは、物理的に実現不可能なアクション出力、複雑なモデル構造、あるいは不要に長い推論に苦しむ。
本稿では,単一自己回帰生成モデル内での推論と行動生成を統一する新しいVLAモデルであるAutoVLAを提案する。
論文 参考訳（メタデータ） (2025-06-16T17:58:50Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - End-to-End Driving with Online Trajectory Evaluation via BEV World Model [52.10633338584164]
本稿では,BEV Worldモデルを活用し,将来のBEV状態を予測するためのエンドツーエンド駆動フレームワークWoTEを提案する。
我々は,NAVSIMベンチマークとCARLAシミュレータに基づく閉ループBench2Driveベンチマークを用いて,最先端性能を実現する。
論文 参考訳（メタデータ） (2025-04-02T17:47:23Z) - VLM-AD: End-to-End Autonomous Driving through Vision-Language Model Supervision [17.36342349850825]
教師としての視覚言語モデル(VLM)は、追加の監督を提供することで訓練を強化する。
VLM-ADは、nuScenesデータセットの計画精度と衝突率の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-12-19T01:53:36Z) - Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。
LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。
この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
論文 参考訳（メタデータ） (2024-06-12T17:59:21Z)
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。