論文の概要: SafeDriveVLA: Navigation-Conditioned World Model Dreaming for Conflict-Aware End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.20609v1
- Date: Wed, 14 Oct 2026 17:59:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.302932
- Title: SafeDriveVLA: Navigation-Conditioned World Model Dreaming for Conflict-Aware End-to-End Autonomous Driving
- Title（参考訳）: SafeDriveVLA: 衝突を意識したエンド・ツー・エンド自動運転のためのナビゲーション駆動世界モデルドリーム
- Abstract要約: VLA(Vision-Language-Action)モデルは、大規模言語モデル(LLM)からコモンセンスを継承し、ナビゲーションインターフェースを固定されたコマンドセットから自由形式の自然言語命令へと拡張するなど、自律運転において注目を集めている。
このオープンエンドインターフェースは、新たな脆弱性サーフェスを露呈する: 意図しないドライバは、現在のシーンで安全でない命令を発行し、悪意のあるユーザは、意図的に危険な命令を発行する。
本稿では,ナビゲーションの追従とコンフリクト意識の相違を,敵対的堅牢性とともに評価する最初のベンチマークスイートを提案する。
- 参考スコア（独自算出の注目度）: 35.29936822803325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models are gaining attention in autonomous driving, inheriting commonsense priors from large language models (LLMs) and widening the navigation interface from a fixed command set to free-form natural-language instructions. However, this open-ended interface exposes a new vulnerability surface: an inattentive driver may issue instructions that are unsafe given the current scene, and a malicious user may issue dangerous ones on purpose. We present the first benchmark suite that evaluates navigation following and conflict awareness together, along with adversarial robustness. Existing VLAs fall short on both: SimLingo completes no language-instructed lane change in closed loop, and all models degrade sharply under conflicting signals. We propose SafeDriveVLA, the first driving VLA that (1) explicitly predicts a three-level navigation-compliance mode to decouple conflict reasoning from action generation, and (2) uses navigation-conditioned world model dreaming to inform this prediction. Unlike prior world models that roll out expert or planned actions, ours dreams of strictly following the navigation signal, showing when following is safe. SafeDriveVLA reaches 88.16 Driving Score (DS) and 68.64% Success Rate (SR) on Bench2Drive, lifts closed-loop language following by 49.3% and reduces collisions under unsafe instructions from 60 to 38 compared to the best SimLingo variant. Video demonstrations are available on our project page.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、大規模言語モデル(LLM)からコモンセンスを継承し、ナビゲーションインターフェースを固定されたコマンドセットから自由形式の自然言語命令へと拡張するなど、自律運転において注目を集めている。
しかしながら、このオープンエンドインターフェースは、新たな脆弱性サーフェスを露呈する。意図しないドライバは、現在のシーンによって安全でない命令を発行し、悪意のあるユーザは、意図的に危険な命令を発行する。
本稿では,ナビゲーションの追従とコンフリクト意識の相違を,敵対的堅牢性とともに評価する最初のベンチマークスイートを提案する。
SimLingoは、クローズドループで言語で指示された車線変更を完了せず、全てのモデルが競合する信号の下で急激に劣化する。
SafeDriveVLAは,(1)行動生成から競合推論を分離するために3段階のナビゲーションコンプライアンスモードを明示的に予測する最初の駆動VLAであり,(2)ナビゲーション条件付き世界モデルドリームを用いてこの予測を知らせる。
専門家や計画されたアクションをロールアウトする以前の世界モデルとは異なり、ナビゲーション信号に厳格に従うことを夢見ている。
SafeDriveVLAは、Bench2Drive上で88.16 Driving Score (DS) と68.64%の成功率 (SR) に達し、クローズドループ言語を49.3%引き上げ、安全でない命令で衝突を60から38に減らした。
デモビデオはプロジェクトのページで公開されている。
関連論文リスト
- Reading, Not Manipulating: Leveraging Router Logits for Multimodal Safety in MoE Vision-Language Models [51.95643874494937]
視覚言語モデル(VLM)は、視覚的入力とテキスト入力の相互作用から有害な意図が生じるような構成上の安全リスクに直面している。
本稿では,プロンプトプリフィル中のルーティング信号を読み出し,生成前の安全でない要求を識別する軽量なルータログ安全検出器を提案する。
論文 参考訳（メタデータ） (2026-10-06T05:09:02Z) - BadDreamer: Transferable Backdoor Attacks against Video World Models for Autonomous Driving [1.7887848708497243]
ビデオワールドモデルは、未来のシーンの進化を予測するために、自動運転にますます利用されている。
知覚から行動へのパイプラインでは、これらの表現はエゴ軌道ラベルに直接影響を与える。
BadDreamerは、ビデオワールドモデルの学習された遷移ダイナミクスに悪影響を及ぼす。
論文 参考訳（メタデータ） (2026-06-19T07:24:32Z) - CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。
CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。
本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文 参考訳（メタデータ） (2026-06-13T15:04:44Z) - DriveVLM-RL: Neuroscience-Inspired Reinforcement Learning with Vision-Language Models for Safe and Deployable Autonomous Driving [7.788062051923755]
DriveVLM-RLは神経科学に触発されたフレームワークで、視覚言語モデルと強化学習を統合する。
このフレームワークは、連続的な空間安全評価のための静的パスに意味報酬学習を分解する。
階層的な報酬合成機構は、セマンティック信号を車両状態と融合させ、非同期トレーニングパイプラインは環境相互作用から高価なVLM推論を分離する。
論文 参考訳（メタデータ） (2026-03-18T21:55:29Z) - From Narratives to Probabilistic Reasoning: Predicting and Interpreting Drivers' Hazardous Actions in Crashes Using Large Language Model [3.3457493284891338]
2車線の事故は、道路事故の約70%を占める。
Driver Hazardous Action (DHA)データは、一貫性のない、労働集約的な手動コーディングプラクティスによって制限される。
本稿では,微調整された大規模言語モデルを利用して,テキストによるクラッシュ物語からDHAを自動的に推測する,革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-14T21:35:47Z) - Hierarchical Reasoning with Vision-Language Models for Incident Reports from Dashcam Videos [0.03598453624340711]
本稿では,ダッシュカムビデオからのインシデントレポート生成のための階層的推論フレームワークを提案する。
視覚言語モデルにフレームレベルのキャプション、インシデントフレームの検出、微粒化推論を統合する。
公式の2COOOLオープンリーダーボードでは、29チーム中2位にランクされ、最高のCIDEr-Dスコアを獲得しています。
論文 参考訳（メタデータ） (2025-10-14T06:36:41Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - Abductive Ego-View Accident Video Understanding for Safe Driving
Perception [75.60000661664556]
マルチモーダル・アクシデント・ビデオ理解のための新しいデータセットMM-AUを提案する。
MM-AUには1,727件の映像が収録されている。
安全運転認識のための誘導型事故映像理解フレームワーク(AdVersa-SD)を提案する。
論文 参考訳（メタデータ） (2024-03-01T10:42:52Z)
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。