論文の概要: Explicit Geometric Chain-of-Thought for Vision-Language-Action in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.10390v1
• Date: Wed, 07 Oct 2026 16:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.05703
• Title: Explicit Geometric Chain-of-Thought for Vision-Language-Action in Autonomous Driving
• Title（参考訳）: 自律走行における視覚・言語反応の特異な幾何学的連鎖
• Abstract要約: 視覚言語アクション(VLA)モデルは、自律運転のための有望なパラダイムとして登場した。 駆動動作は正確な3次元幾何学的手がかりを必要とし、視覚言語による理解と推論は2次元のセマンティック空間で主に実行される。 そこで我々はGeoCoTDriveを提案する。GeoCoTDriveは計画指向の方法で幾何学を基盤とする明示的な幾何学的チェーン・オブ・思想のフレームワークである。
• 参考スコア（独自算出の注目度）: 44.074309556264076
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language-action~(VLA) models have emerged as a promising paradigm for autonomous driving. However, existing VLA models still suffer from a fundamental mismatch: driving actions require precise 3D geometric cues, while visual-language understanding and reasoning are largely conducted in a 2D semantic space. In this paper, we propose GeoCoTDrive, an explicit geometric chain-of-thought framework that grounds geometry in a planning-oriented manner. GeoCoTDrive follows a think with 2D first, drive with dedicated 3D priors paradigm. It first grounds 2D regions corresponding to decision-critical cues, and then retrieves localized 3D priors by sampling features from a geometric foundation model within the grounded regions. These localized geometric features are interleaved into the autoregressive context to support the trajectory generation. To supervise this process, we introduce planning-relevant grounding, a new region-level grounding task that focuses on local spatial cues directly affecting ego planning decisions, and construct the PlanningGrounding dataset to endow VLAs with planning-oriented grounding capability. Experiments across multiple end-to-end autonomous driving benchmarks show that GeoCoTDrive consistently improves safety-critical planning performance, demonstrating the effectiveness of the explicit geometric chain-of-thought process for VLA-based planning.
• Abstract（参考訳）: ビジョン・ランゲージ・アクション~(VLA)モデルは自律運転の有望なパラダイムとして浮上している。 しかし、既存のVLAモデルは依然として基本的なミスマッチに悩まされており、運転動作には正確な3次元幾何学的手がかりが必要であり、視覚言語による理解と推論は2次元の意味空間で主に行われている。 本稿では,GeoCoTDriveを提案する。 GeoCoTDriveは、まず2Dで考え、専用の3Dプリエントパラダイムで運転する。 まず、決定クリティカルなキューに対応する2D領域を接地し、次いで、接地された領域内の幾何学的基礎モデルから特徴をサンプリングすることによって、局所化された3D先行領域を検索する。 これらの局所的な幾何学的特徴は、軌道生成をサポートするために自己回帰的文脈にインターリーブされる。 このプロセスを監督するために,エゴ計画決定に直接影響を及ぼす局所空間的手がかりに焦点を当てた新たな地域レベルの接地課題であるプランニング関連接地機能を導入し,計画指向接地機能を備えたプランニンググラウンドデータセットを構築した。 複数のエンドツーエンドの自動運転ベンチマークによる実験では、GeoCoTDriveは安全クリティカルな計画性能を一貫して改善し、VLAベースの計画のための明示的な幾何学的連鎖プロセスの有効性を実証している。

関連論文リスト

• Geo-VLA: Geometry-Aware Vision-Language-Action Planning via Internalization of Map Semantics [14.365159494293382]
  視覚言語アクション(VLA)モデルは、セマンティック推論に基礎モデルを活用することによって、高度なエンドツーエンドの自律運転を実現する。 幾何学的視覚表現を学習することでVLAモデルを強化するプラグイン・アンド・プレイフレームワークであるGeo-VLAを提案する。
  論文  参考訳（メタデータ） (2026-08-18T08:25:58Z)
• GeoWorldAD: Geometry World Action Model for Autonomous Driving [45.0114703918243]
  我々は,エゴアライメントされた3次元空間における軌道計画に基づく幾何学的世界行動モデルGeoWorldADを提案する。 現在の幾何学は安全な計画に不可欠な空間的制約を提供するが、将来の幾何学は周囲のエージェントとエゴ中心の自由空間がどのように進化するかを明らかにする。 NAVSIM v1とv2の実験は最先端の性能を示し、明示的な3次元幾何学的接地の有効性を強調した。
  論文  参考訳（メタデータ） (2026-07-20T03:56:07Z)
• LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
  デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。 textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
  論文  参考訳（メタデータ） (2026-06-04T06:58:44Z)
• HERMES++: Toward a Unified Driving World Model for 3D Scene Understanding and Generation [83.31948299340782]
  HERMES++は、単一のフレームワーク内で3Dシーン理解と将来の幾何学的予測を統合する統合駆動世界モデルである。 Hermes++は、将来のクラウド予測と3Dシーン理解タスクの両方において、優れたパフォーマンスと優れたスペシャリストのアプローチを実現している。
  論文  参考訳（メタデータ） (2026-04-30T17:59:58Z)
• DVGT-2: Vision-Geometry-Action Model for Autonomous Driving at Scale [63.05446464787182]
  本稿では,高密度な3次元形状を自律運転のクリティカルキューとして提唱するビジョン・ジオメトリ・アクションのパラダイムを提案する。 本稿では,DVGT-2(Stream Driving Visual Geometry Transformer)を導入し,入力をオンラインに処理し,現行のフレームに対して高密度なジオメトリとトラジェクトリプランニングを共同で出力する。 高速にもかかわらず、DVGT-2は様々なデータセット上で優れた幾何再構成性能を達成する。
  論文  参考訳（メタデータ） (2026-04-01T12:21:26Z)
• SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
  UAV VLNのための幾何学誘導空間表現フレームワークを提案する。 明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。 実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-22T03:56:58Z)

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。