論文の概要: Outcome-Guided Distillation: A Teacher-Student Framework to Advance VLM Reasoning in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.29052v1
- Date: Fri, 31 Jul 2026 06:10:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.631761
- Title: Outcome-Guided Distillation: A Teacher-Student Framework to Advance VLM Reasoning in Autonomous Driving
- Title（参考訳）: アウトカムガイド蒸留 : 自律運転における VLM 推論向上のための教師学習フレームワーク
- Abstract要約: VLM(Vision-Language Models)は明確な推論を提供し、解釈可能性と堅牢性を向上させる。
教師-学生アーキテクチャを通して構造化推論と幾何学的精度を統合する新しい枠組みを提案する。
提案手法は,解釈可能性の明確な推論と,堅牢で正確な駆動性能の提供という2つの目標を統合した。
- 参考スコア（独自算出の注目度）: 9.830258914764979
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: End-to-end (E2E) autonomous driving aims to learn a direct mapping from visual observations to control actions. However, these E2E models often act as black boxes and struggle with complex scenarios. To address this, recent works incorporate Vision-Language Models (VLMs) to provide explicit reasoning, enhancing both interpretability and driving robustness. These approaches typically rely on pre-generated annotations, which suffer from potentially flawed labels and require costly human labor. In this work, we propose a new framework that integrates structured reasoning and geometric precision through a teacher-student architecture. The teacher model introduces reflective reasoning, where the VLM generates logical explanations and then reflectively refines the reasoning under the supervision of ground-truth action. This enhances zero-shot generalization without intermediate labels. The student model distills the teacher's reasoning capabilities via supervised fine-tuning. We also design a separate waypoint decoder that interprets textual reasoning into continuous trajectories. Our proposed solution integrates two goals: providing explicit reasoning for interpretability and delivering robust and accurate driving performance. It leverages the synergy between these two objectives within a staged inference engine to enhance driving performance and explicitly uses the reasoning to guide driving prediction. Evaluated on Waymo benchmarks, our framework outperforms classical reasoning-based baselines in zero-shot reasoning, waypoint accuracy, and inference efficiency. Our experiments validate this design, demonstrating that the reasoning text makes a significant contribution to driving inference, resulting in around a 24% improvement in performance compared to an identical model that lacks reasoning. Our work advances reasoning-driven autonomous driving toward interpretable and deployable systems.
- Abstract（参考訳）: エンドツーエンド(E2E)自動運転は、視覚的な観察から制御行動への直接的なマッピングを学ぶことを目的としている。
しかしながら、これらのE2Eモデルはブラックボックスとして機能し、複雑なシナリオと競合することが多い。
これを解決するために、最近の研究は視覚言語モデル(VLM)を導入し、明確な推論を提供し、解釈可能性と堅牢性の両方を高める。
これらのアプローチは一般的に、潜在的な欠陥のあるラベルに悩まされ、人的負担がかかるような、事前生成されたアノテーションに依存します。
本研究では,教師-学生アーキテクチャを用いて,構造的推論と幾何学的精度を統合した新しいフレームワークを提案する。
教師モデルはリフレクティブ推論を導入し、VLMは論理的説明を生成し、その後、グランド・トゥルース・アクションの監督の下でリフレクティブに推論を洗練させる。
これにより、中間ラベルなしでゼロショットの一般化が促進される。
学生モデルは教師による微調整を通して教師の推論能力を蒸留する。
また、テキスト推論を連続的な軌跡に解釈する別のウェイポイントデコーダを設計する。
提案手法は,解釈可能性の明確な推論と,堅牢で正確な駆動性能の提供という2つの目標を統合した。
段階的推論エンジン内のこれらの2つの目的間の相乗効果を利用して駆動性能を向上し、駆動予測を導出するために推論を明示的に利用する。
Waymoのベンチマークから評価すると、このフレームワークはゼロショット推論、ウェイポイント精度、推論効率において古典的な推論ベースのベースラインよりも優れています。
本実験では,推理テキストが推理に大きく貢献することを示すとともに,推理を欠いた同一モデルと比較して約24%の性能向上を図った。
私たちの仕事は、解釈可能でデプロイ可能なシステムに向けた推論駆動の自律運転を前進させます。
関連論文リスト
- Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving [79.71689985927625]
自律運転のための適応型マルチモーダルリフレクションフレームワークであるIRR-Driveを提案する。
IRR-Driveは明らかにシーンの進化を予測し、モデルは厳密な自己修正と初期意図の洗練を可能にした。
提案手法はPDMSとNAVSIMSのベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-06-22T06:53:58Z) - 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) - Structured Reasoning for Large Language Models [59.215789462977206]
本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。
SCRは推論効率と自己検証を大幅に改善する。
既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
論文 参考訳（メタデータ） (2026-01-12T04:04:01Z) - Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning [71.19675094463834]
この作業では、モデルが実行前に計画されたアクションを推論し、修正することを可能にする、自己修正型のVLAフレームワークである、Counterfactual VLAを導入している。
CF-VLAはまず、駆動意図を要約した時間分割メタアクションを生成し、その後、メタアクションと視覚コンテキストの両方で条件付けられた反実的推論を実行する。
大規模運転データセットの実験では、CF-VLAは軌道精度を最大17.6%向上し、安全基準を20.5%向上し、適応的思考を示す。
論文 参考訳（メタデータ） (2025-12-30T19:04:17Z) - 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) - MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning [51.20229133553804]
自律運転における現在のビジョン・ランゲージ・アクション(VLA)パラダイムは主に模倣学習(IL)に依存している
オンライン強化学習は、トライアル・アンド・エラー学習を通じてこれらの問題に対処するための有望な経路を提供する。
大規模言語モデル(LLM)と2つの異なるLoRAパラメータからなるVLAフレームワークであるMindDriveを提案する。
軌道レベルの報酬を推論空間に戻すことで、MindDriveは、限定的な言語駆動決定の有限セットに対する試行錯誤学習を可能にする。
論文 参考訳（メタデータ） (2025-12-15T18:31:32Z) - Latent Chain-of-Thought World Modeling for End-to-End Driving [45.726304769312414]
潜在言語でCoTを表現するモデルであるLatent-CoT-Drive(LCDrive)を提案する。
当社のアプローチは,CoT推論と意思決定を,アクションアラインな潜在空間で表現することで統合する。
大規模なエンドツーエンド駆動ベンチマークでは、LCDriveはより高速な推論、軌道品質の向上、インタラクティブな強化学習の改善を実現している。
論文 参考訳（メタデータ） (2025-12-11T02:22:07Z) - CoT4AD: A Vision-Language-Action Model with Explicit Chain-of-Thought Reasoning for Autonomous Driving [10.836513600206118]
我々は、視覚言語モデル(VLM)における数値推論と因果推論の両方を強化するために、自律運転のためのチェーン・オブ・ソート(CoT)推論を提案する。
CoT4ADは視覚的な観察と言語命令を統合し、セマンティック推論、シーン理解、軌道計画を実行する。
nuScenesやBench2Driveなど、実世界のベンチマークとシミュレーションベンチマークの両方の実験は、CoT4ADがオープンループとクローズループの両方で最先端のパフォーマンスを達成することを実証している。
論文 参考訳（メタデータ） (2025-11-27T15:13:13Z) - DriveRX: A Vision-Language Reasoning Model for Cross-Task Autonomous Driving [22.293019898794963]
我々は,4つのコアタスク上の構造化推論プロセスとして,自律運転を定式化する統合トレーニングフレームワークであるAutoDriveRLを提案する。
このフレームワーク内では、リアルタイム意思決定用に設計されたクロスタスク推論VLMであるDriveRXを訓練する。
本分析は,視覚エンコーダ設計と報酬誘導推論圧縮の影響を明らかにする。
論文 参考訳（メタデータ） (2025-05-27T03:21:04Z) - ReasonPlan: Unified Scene Prediction and Decision Reasoning for Closed-loop Autonomous Driving [26.169506297338234]
マルチモーダル大規模言語モデル(MLLM)は、エンドツーエンド(E2E)自動運転の分野で大きな注目を集めている。
本稿では,包括的推論による閉ループ運転のためのMLLMファインチューニングフレームワークReasonPlanを提案する。
本手法は,Bench2Driveベンチマークにおいて,19%のL2と16.1の駆動スコアでE2E模倣学習法より優れていた。
論文 参考訳（メタデータ） (2025-05-26T14:12:38Z) - ReasonDrive: Efficient Visual Question Answering for Autonomous Vehicles with Reasoning-Enhanced Small Vision-Language Models [9.316712964093506]
視覚言語モデル(VLM)は自律運転の約束を示すが、安全にとって重要な透明な推論能力は欠如していることが多い。
微調整中の推論を明示的にモデル化することで、運転決定タスクにおけるVLM性能が向上するかどうかを検討する。
論文 参考訳（メタデータ） (2025-04-14T23:16:07Z)
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。