論文の概要: AUGUstus: Autonomous Driving VLA Model with Unified Generation and Understanding

• arxiv url: http://arxiv.org/abs/2610.16985v1
• Date: Mon, 12 Oct 2026 15:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.400716
• Title: AUGUstus: Autonomous Driving VLA Model with Unified Generation and Understanding
• Title（参考訳）: AUGUstus: 統一生成と理解を備えた自律走行VLAモデル
• Abstract要約: 統一生成と理解を備えた自律型VLAモデルであるAUGUstusを提案する。 我々は拡散に基づく行動生成と自己回帰的CoT理解を一つのモデルで統一する。 実験の結果、AUGUstusはNAVSIMv1で94.6 PDMS、NAVSIMv2で90.7Sを達成した。
• 参考スコア（独自算出の注目度）: 19.226468463374328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models show strong potential for end-to-end autonomous driving by leveraging world knowledge and understanding to excel in long-tail scenarios. However, current VLAs have two limitations: 1) Degeneration into vision-action (VA) models. For low latency, regression/flow-based methods directly generate actions but underuse VLM understanding, causing unsafe, unexplainable actions. 2) Autoregressive high latency. Autoregressive methods sequentially generate chain-of-thought (CoT) and action tokens, fully leveraging VLM understanding, but high latency hinders deployment. To enable low-latency deployment while using CoT to assist action generation, we propose AUGUstus, an Autonomous-driving VLA model with Unified Generation and Understanding. We unify diffusion-based action generation and autoregressive CoT understanding in one model, where understanding only serves generation. Joint CoT supervision preserves VLM spatial understanding in shared representation for safer, more accurate trajectories. AUGUstus-mode orders action generation before CoT, so CoT supervises reliable actions during training while inference needs only action output, enabling low latency. AUGUstus-GRPO, a unified GRPO algorithm, jointly optimizes action and CoT, improving action performance. Experiments show AUGUstus achieves 94.6 PDMS on NAVSIMv1 and 90.7 EPDMS on NAVSIMv2, SOTA planning without scorer module. On nuScenes, it achieves average L2 error 0.27 m and average collision rate 0.05%, best among compared methods. To validate AUGUstus practicality, we train on in-house data with 512 NVIDIA H800 GPUs for ~2 days, evaluate on an internal 1,000 km dataset, and preliminarily deploy on a real vehicle, achieving 12 Hz operation. Project page: https://augustus-ad.github.io
• Abstract（参考訳）: VLA(Vision-Language-action)モデルは、世界的知識と理解を活用して、長期のシナリオで優位に立つことによって、エンドツーエンドの自動運転の強い可能性を示す。 しかしながら、現在のVLAには2つの制限がある。 1)視覚反応(VA)モデルへの変性。 低レイテンシでは、回帰/フローベースのメソッドが直接アクションを生成するが、VLMの理解を損なうため、安全で説明不能なアクションを引き起こす。 2) 自己回帰性高レイテンシ。 自動回帰手法は、VLM理解を完全に活用しながら、チェーン・オブ・シント(CoT)とアクショントークンを順次生成するが、高いレイテンシはデプロイメントを妨げる。 動作生成を支援するためにCoTを使用した低レイテンシデプロイメントを実現するために,統一生成と理解を備えた自律型VLAモデルであるAUGUstusを提案する。 我々は拡散に基づく行動生成と自己回帰的CoT理解を一つのモデルで統一する。 共同CoTの監督は、より安全でより正確な軌道の共有表現におけるVLM空間的理解を保っている。 AUGUstus-modeはCoTの前にアクション生成を注文するので、CoTはトレーニング中に信頼できるアクションを監督し、推論はアクション出力だけを必要とし、低レイテンシを可能にする。 統一GRPOアルゴリズムであるAUGUstus-GRPOは、アクションとCoTを共同で最適化し、アクション性能を向上させる。 実験の結果、AUGUstusはNAVSIMv1で94.6 PDMS、NAVSIMv2で90.7 PDMSを達成した。 nuScenesでは平均L2誤差0.27m、平均衝突速度0.05%を達成している。 AUGUstusの実用性を検証するため、512 NVIDIA H800 GPUを約2日間社内でトレーニングし、1000kmのデータセットで評価し、実際の車両に予備デプロイし、12Hzの動作を実現した。 プロジェクトページ:https://augustus-ad.github.io

関連論文リスト

• ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning [6.34168955365431]
  ActionUNetは、Vision-Language-Action(VLA)モデルの効率的なマルチスケール微調整フレームワークである。 我々は,ActionUNetが0.5の成功率を,それぞれ9.8%,6.1%,11.4%で著しく向上させることを示した。
  論文  参考訳（メタデータ） (2026-09-28T11:57:00Z)
• DriveVLA-M0: Failure-Aware Memory Augmentation for Autonomous Driving [39.60553851234952]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転において有望なパラダイムとして登場した。 本稿では,障害対応の潜時メモリを備えた検索拡張VLAであるDriveVLA-M0を提案する。 DriveVLA-M0はメモリの追加で効率よくスケールし、メモリ拡張によるトレーニング不要のパフォーマンス向上を可能にする。
  論文  参考訳（メタデータ） (2026-08-11T03:01:46Z)
• MindVLA-U1: VLA Beats VA with Unified Streaming Architecture for Autonomous Driving [54.57163800903507]
  我々は、自動運転のための最初の統合ストリーミングVLAアーキテクチャであるMindVLA-U1を紹介する。 統一されたVLMバックボーンは、1つの共有表現に1つのフォワードパスでAR言語トークンとフローマッチングされた連続的なアクショントラジェクトリを生成する。 ロングテールのWOD-E2Eベンチマークでは、MindVLA-U1が経験豊富な人間のドライバーを初めて上回った。
  論文  参考訳（メタデータ） (2026-05-12T18:09:42Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• 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)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)

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。