論文の概要: Data-Efficient Adaptation of a Driving VLA to Class 8 Trucks

• arxiv url: http://arxiv.org/abs/2609.38570v1
• Date: Tue, 29 Sep 2026 21:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.757609
• Title: Data-Efficient Adaptation of a Driving VLA to Class 8 Trucks
• Title（参考訳）: 運転用VLAのクラス8トラックへの適応
• Abstract要約: クラス8のトラックは、幾何学、動力学、操縦要件において旅客車とは異なる。 そこで本研究では,市販のVLAに適応して,クラス8トラックの軌道を生成するアダプティブステア戦略を提案する。
• 参考スコア（独自算出の注目度）: 12.56552439222014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class 8 trucks differ from passenger cars in geometry, dynamics, and maneuvering requirements. As a result, vision-language-action (VLA) models trained for passenger vehicles do not readily transfer to Class 8 trucks, particularly in unstructured scenarios such as accident scenes and construction zones. Rather than training a truck-driving VLA from scratch, we propose an adapt-then-steer strategy that adapts an off-the-shelf VLA to generate trajectories for Class-8 trucks in these challenging scenarios. In the adapt stage, we use NVIDIA's Alpamayo 1.5 as the base model, fine-tuning only its action-generation stack on a few hundred real-world construction and accident-related highway scenarios. In the steer stage, we introduce Flow Velocity Steering (FVS) to further refine the model's predictions while holding the adapted VLA fixed. FVS is a compact, flow-time-conditioned residual module that adds learned corrections to the action-space flow velocity used to update the action sequence at each generation step. In open-loop evaluation on a scenario-disjoint held-out set, targeted fine-tuning more than halves single-candidate average displacement error (ADE) and final displacement error (FDE) over the entire 6.4 s horizon compared to the base model. Using the same targeted demonstrations, FVS further reduces the fine-tuned model's full-horizon ADE and FDE by 13.9% and 16.5%, respectively. At matched data budgets, targeted supervision yields 19-26% lower full-horizon ADE than general truck-driving supervision, while the targeted model remains competitive with a model fine-tuned on approximately 65 times as many general truck-driving scenarios. These results support adapt-then-steer for data-efficient vehicle-domain transfer to Class 8 trucks. Our project website is available at https://truckvla.github.io.
• Abstract（参考訳）: クラス8のトラックは、幾何学、動力学、操縦要件において旅客車とは異なる。 結果として、客車用に訓練された視覚言語アクション(VLA)モデルは、特に事故現場や建設区域のような非構造的なシナリオにおいて、容易にクラス8のトラックに移行することができない。 トラックを駆動するVLAをスクラッチからトレーニングする代わりに,市販のVLAに適応して,これらの困難なシナリオにおいてクラス8トラックの軌道を生成する適応ステア戦略を提案する。 適応段階では、NVIDIAのAlpamayo 1.5をベースモデルとして使用し、数百の現実世界の建設と事故に関連するハイウェイシナリオ上でアクション生成スタックのみを微調整します。 ステア段階では,フロー速度ステアリング(FVS)を導入し,適応VLAを固定しながらモデルの予測をさらに洗練する。 FVSは、フロー時間条件の残留モジュールで、各生成ステップでアクションシーケンスを更新するために使用されるアクション空間フロー速度に学習された補正を追加する。 シナリオ不一致のホールトアウトセット上でのオープンループ評価では、ベースモデルと比較して6.4s地平線全体に対して、単候補平均変位誤差(ADE)と最終変位誤差(FDE)以上の微調整を目標とした。 同じターゲットのデモを使用して、FVSは細調整されたモデルのフルホライゾンADEとFDEをそれぞれ13.9%、FDEは16.5%削減した。 一致したデータ予算では、目標の監督は一般的なトラック運転監督より19～26%低く、目標のモデルは一般的なトラック運転のシナリオの約65倍の精度で微調整されたモデルと競合する。 これらの結果は、データ効率のよい車両ドメインをクラス8トラックに転送するためのアダプティブ・テン・ステアをサポートする。 プロジェクトのWebサイトはhttps://truckvla.github.io.comで公開されている。

関連論文リスト

• World-Model-Grounded LLM Planning for AUV and ASV Navigation Near Offshore Wind Farms [4.824530309684156]
  大型の言語モデルは、自然言語のミッションを一連のロボット行動に変換することができるが、物理感覚は持っていない。 本稿では,大規模言語モデルに基づくプランナの能力を拡張するための世界モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-20T05:56:25Z)
• Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains [12.56640534894248]
  OptCarは、ジェネラリストからスペシャリストFKDモデルへのギャップを埋めるためのレシピだ。 特定の車両の性能を最適化しながら、クロステランの一般化を保っている。 1地形あたりの実際のデータ量はわずか5分で、OptCarは30分間の道路データで訓練された専門家と道路上での競争力がある。
  論文  参考訳（メタデータ） (2026-07-14T22:59:40Z)
• ProbeAct: Probe-Guided Training-Free Failure Recovery in Vision-Language-Action Models [23.3892541362594]
  PROBEACTはトレーニング不要のランタイム介入フレーム6である。 プレ-7の訓練されたVLAポリシーの把握と配置の失敗を検知し、回復する。
  論文  参考訳（メタデータ） (2026-06-08T17:04:24Z)
• From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps [0.9668407688201359]
  本稿では,このエリア・オブ・興味 (AoI) と幹線道路区間との差異について検討する。 その結果,AoIでは約76%,最大地平線では一般道路では94%,予測精度では最大4秒の地平線が期待できることがわかった。
  論文  参考訳（メタデータ） (2026-01-21T10:31:03Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Imagine-2-Drive: Leveraging High-Fidelity World Models via Multi-Modal Diffusion Policies [9.639797094021988]
  World Model-based Reinforcement Learning (WMRL)は、効率的な政策学習を可能にする。 マルチモーダル拡散型ポリシーアクタと高忠実度世界モデルを統合する新しいWMRLフレームワークであるImagine-2-Driveを提案する。 DiffDreamer内のDPAをトレーニングすることにより,オンラインインタラクションを最小限に抑えた堅牢なポリシー学習を実現する。
  論文  参考訳（メタデータ） (2024-11-15T13:17:54Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。