論文の概要: GRAVA: Grounded Reasoning-to-Action Representation and Learning for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.15169v1
- Date: Mon, 14 Sep 2026 07:55:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.17386
- Title: GRAVA: Grounded Reasoning-to-Action Representation and Learning for Autonomous Driving
- Title（参考訳）: GRAVA:自律運転のための接地型推論と行動表現と学習
- Abstract要約: GRAVAはGRA( Grounded Reasoning-to-Action)を中心に構築されたフレームワークである。
GRAは、アクション関連言語参照を2次元視覚領域とエゴ中心の物理的状態にリンクし、オブジェクトの相互作用と決定を軌跡アンコールされた型付きグラフで整理し、この構造を基底的推論にシリアライズする。
プログレッシブ・トレーニング・ストラテジーは、事前学習を通じて基礎的な認知を発達させ、模倣によって推論と行動のインターフェースを確立し、強化学習と探索を通じて運転行動を改善する。
- 参考スコア（独自算出の注目度）: 19.900072085040794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving vision-language-action (VLA) models increasingly reason before acting, but their intermediate reasoning is often weakly grounded in physical scene evidence and loosely connected to executable behavior. We present GRAVA, a framework built around Grounded Reasoning-to-Action (GRA), which unifies grounding, reasoning, and action generation in a single autoregressive stream. GRA links action-relevant language references to 2D visual regions and ego-centric physical states, organizes object interactions and decisions in a trajectory-anchored typed graph, and serializes this structure into grounded reasoning. A single VLM generates this reasoning followed by a compact Executable Planner action that is deterministically decoded into a continuous trajectory. We further introduce an agentic GRA data construction pipeline that combines forward scene grounding with backward trajectory anchoring, and use it to build GR-NavSim with 2.2M grounded question-answer pairs and 70K GRA reasoning traces. A progressive training strategy develops grounded cognition through pre-training, establishes the reasoning-to-action interface through imitation, and improves driving behavior through reinforcement learning and exploration. Using about 60% of the available human driving demonstrations for action supervision, GRAVA-8B achieves state-of-the-art performance among purely autoregressive driving models on the full NAVSIM benchmark. On an internal long-tail benchmark, full GRA improves key-object compliance and Closed-loop Driving Score by 19.3% and 20.5% over action-only prediction, respectively. These results show the benefit of preserving action-relevant physical evidence from grounded reasoning through executable action generation.
- Abstract（参考訳）: 視覚-言語-アクション(VLA)モデルの実行は、行動を起こす前にますます合理的になるが、その中間の推論は物理的シーンの証拠に弱く、実行可能行動にゆるやかに結びついていることが多い。
GRAVAは,単一自己回帰ストリームにおけるグラウンドディング,推論,アクション生成を統一する,グラウンドド・リソン・ツー・アクション(GRA)を中心に構築されたフレームワークである。
GRAは、アクション関連言語参照を2次元視覚領域とエゴ中心の物理的状態にリンクし、オブジェクトの相互作用と決定を軌跡アンコールされた型付きグラフで整理し、この構造を基底的推論にシリアライズする。
1つのVLMがこの推論を生成し、続いてコンパクトなExecutable Plannerアクションが決定論的に連続的な軌道にデコードされる。
さらに,前景の接地と後方軌道の接地を組み合わせたエージェントGRAデータ構築パイプラインを導入し,GR-NavSimを2.2Mの接地された質問応答対と70KのGRA推論トレースで構築する。
プログレッシブ・トレーニング・ストラテジーは、事前学習を通じて基礎的な認知を発達させ、模倣によって推論と行動のインターフェースを確立し、強化学習と探索を通じて運転行動を改善する。
GRAVA-8Bは、人間の運転デモの約60%をアクション監視に利用し、完全なNAVSIMベンチマーク上で純粋に自己回帰運転モデルの中で最先端のパフォーマンスを達成する。
内部のロングテールベンチマークでは、フルGRAはキーオブジェクトコンプライアンスを改善し、クローズドループ駆動スコアはアクションのみの予測でそれぞれ19.3%、20.5%向上した。
これらの結果は,行動生成による根拠的推論から行動関連物的証拠を保存できることの利点を示している。
関連論文リスト
- Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。
VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。
静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
論文 参考訳（メタデータ） (2026-09-01T07:42:45Z) - Outcome-Guided Distillation: A Teacher-Student Framework to Advance VLM Reasoning in Autonomous Driving [9.830258914764979]
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。
論文 参考訳（メタデータ） (2026-07-31T06:10:24Z) - 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) - Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models [15.486973209713954]
GTA-VLA(Guide, Think, Act)はインタラクティブなビジョンランゲージ・アクション・フレームワークである。
ユーザがロボットポリシーを明示的な視覚的手がかりでガイドできるようにすることで、空間的に操作可能な具体的推論を可能にする。
論文 参考訳（メタデータ） (2026-05-13T14:58:29Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - FlowAD: Ego-Scene Interactive Modeling for Autonomous Driving [20.991905328262746]
本稿では,新しいエゴシーン対話型モデリングパラダイムを提案する。
人間の認識にインスパイアされたこのパラダイムは、エゴ-車両に対するシーンフローとして、エゴ-シーンの相互作用を表現している。
その内部では、エゴ誘導シーン分割がまず基本的なフローユニットを構築してシーンフローを定量化する。
そして、フロー単位に基づいて、空間的および時間的フロー予測を行い、シーンフローのダイナミクスをモデル化する。
論文 参考訳（メタデータ） (2026-03-11T16:28:53Z) - Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
本稿では, 自己補正VLA (SC-VLA) を提案する。
SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
論文 参考訳（メタデータ） (2026-02-25T06:58:06Z) - Obstruction reasoning for robotic grasping [18.39507400925748]
障害推論が可能な学習型視覚言語モデルであるUNOGraspを提案する。
対象対象物から生じる障害経路に基づいて, 新たな多段階推論法を考案する。
我々は,MetaGraspNetV2に基づいて,トレーニングとベンチマークの両方のための大規模データセットであるUNOBenchを構築した。
論文 参考訳（メタデータ） (2025-11-28T13:53:12Z) - 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) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - PreGSU-A Generalized Traffic Scene Understanding Model for Autonomous Driving based on Pre-trained Graph Attention Network [23.38434020807342]
交通要素間の相互作用の学習、抽出、表現として定義されたシーン理解は、ハイレベル自律運転(AD)における重要な課題の1つである。
現在のシーン理解手法は主に、軌道予測やリスクレベル評価などの1つの具体的な単一タスクに焦点を当てている。
グラフアテンションネットワークに基づく一般化された事前学習シーン理解モデルであるPreGSUを提案し、様々な下流タスクをサポートするために、交通シーンの普遍的相互作用と推論を学習する。
論文 参考訳（メタデータ） (2024-04-16T03:34:35Z)
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。