論文の概要: RAF-VLA: Representation Alignment with the Future for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2609.17728v1
• Date: Tue, 15 Sep 2026 18:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.502348
• Title: RAF-VLA: Representation Alignment with the Future for End-to-End Autonomous Driving
• Title（参考訳）: RAF-VLA: エンド・ツー・エンド自動運転の未来と表現アライメント
• Abstract要約: RAF-VLAは、将来のフレーム表現からの直接的なガイダンスを通じて、計画に関連する内部表現を形作る。 実験の結果、RAF-VLAは最先端のVLAプランナーと競合する計画性能を達成した。
• 参考スコア（独自算出の注目度）: 34.83773482724461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent Vision-Language-Action (VLA) models for autonomous driving have incorporated world modeling by predicting future driving scenes alongside driving actions, demonstrating strong planning performance. Future driving scenes are utilized as dense supervision, encouraging the policy to learn rich internal representations useful for planning. However, these World-Modeling VLAs rely on explicit future generation to learn such representations, thereby introducing two key limitations: additional training burden and inference latency. To address these limitations, we propose RAF-VLA (Representation Alignment with the Future), a VLA-based autonomous driving framework that shapes planning-relevant internal representations through direct guidance from future-frame representations. RAF-VLA employs Future-Aligned Supervised Fine-Tuning, in which a straightforward regularization aligns the policy's hidden states with future-frame representations obtained from a pretrained world encoder while learning driving actions. This simple alignment allows RAF-VLA to avoid the training burden and inference latency associated with future generation. Extensive experiments on the NAVSIM benchmark show that RAF-VLA achieves competitive planning performance against state-of-the-art VLA planners with substantially fewer training samples seen. Moreover, RAF-VLA incurs only 3.8% training overhead and a negligible 1 ms inference overhead.
• Abstract（参考訳）: 近年の自動運転のためのビジョン・ランゲージ・アクション(VLA)モデルでは、将来の運転シーンを運転行動と共に予測し、強力な計画性能を示すことによって世界モデリングが取り入れられている。 将来の運転シーンは密集した監督として利用され、計画に有用な豊かな内部表現を学習するよう政策を奨励する。 しかしながら、これらのWorld-Modeling VLAは、そのような表現を学ぶために、明示的な未来生成に依存しており、それによって2つの重要な制限、すなわち、追加のトレーニング負荷と推論レイテンシが導入された。 これらの制約に対処するために、将来的なフレーム表現からの直接的なガイダンスを通じて計画関連内部表現を形作るVLAベースの自律運転フレームワークであるRAF-VLA(Representation Alignment with the Future)を提案する。 RAF-VLAはFuture-Aligned Supervised Fine-Tuningを採用しており、運転動作の学習中に事前訓練された世界エンコーダから得られた将来のフレーム表現と、ポリシーの隠された状態とを直列化している。 この単純なアライメントにより、RAF-VLAは、将来の世代に関連するトレーニングの負担や推論遅延を回避することができる。 NAVSIMベンチマークの大規模な実験により、RAF-VLAは最先端のVLAプランナーに対して、非常に少ないトレーニングサンプルで競合する計画性能を達成することが示された。 さらに、RAF-VLAは3.8%のトレーニングオーバーヘッドと無視可能な1ミリ秒の推論オーバーヘッドしか発生しない。

関連論文リスト

• LVDrive: Latent Visual Representation Enhanced Vision-Language-Action Autonomous Driving Model [16.87741001074065]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転のための有望なフレームワークとして登場した。 近年、世界モデリングによる濃密な視覚監視を取り入れようとする試みは、しばしばピクセルレベルの画像再構成を過度に強調している。 自律運転のための遅延視覚表現拡張VLAフレームワークであるLVDriveを提案する。
  論文  参考訳（メタデータ） (2026-05-21T07:31:49Z)
• 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)
• Learning Vision-Language-Action World Models for Autonomous Driving [15.103497388527943]
  VLA(Vision-Language-Action)モデルは最近、エンドツーエンドの自動運転において顕著な進歩を遂げている。 VLAモデルは時相力学と世界整合性の明示的なモデリングを欠いていることが多い。 VLA-World(VLA-World)は、予測的想像力と反射的推論を統一する、シンプルで効果的なVLA世界モデルである。
  論文  参考訳（メタデータ） (2026-04-10T07:38:05Z)
• DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA [72.9197085473598]
  DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。 VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。 軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
  論文  参考訳（メタデータ） (2026-03-31T15:02:27Z)
• On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning [61.38273866396522]
  ビジョン・ランゲージ・アクションモデルが汎用ロボット学習の強力なパラダイムとして登場した。 現在の手法は、シミュレーションや物理世界の展開に挑戦するには相変わらず適していない。 本稿では,VLA フレームワークのテスト時間強化学習について紹介する。
  論文  参考訳（メタデータ） (2026-01-11T01:51:30Z)
• DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving [52.63591791507895]
  将来の画像の予測に世界モデリングを利用するトレーニングパラダイムである textbfDriveVLA-W0 を提案する。 このタスクは、運転環境の基礎となる力学を学ぶためにモデルを補完する密集した自己教師信号を生成する。 NAVSIM v1/v2ベンチマークと680倍の社内データセットの実験は、DriveVLA-W0がBEVとVLAのベースラインを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-14T17:59:47Z)
• IRL-VLA: Training an Vision-Language-Action Policy via Reward World Model [19.141499640543138]
  IRL-VLA は textbfInverse textbfReinforcement textbfLearning reward world model による新しいループ強化学習である。 本稿では, 自己構築型VLAアプローチを用いて, textbfInverse textbfReinforcement textbfLearning reward world model を用いた新しいループ強化学習であるIRL-VLAを紹介する。
  論文  参考訳（メタデータ） (2025-08-07T06:30:05Z)

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。