論文の概要: Think Densely, Act Sparsely: Latent Expert Cognitive Chains for Vision-Language-Action Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.25734v1
• Date: Mon, 19 Oct 2026 03:37:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:14:54.462114
• Title: Think Densely, Act Sparsely: Latent Expert Cognitive Chains for Vision-Language-Action Autonomous Driving
• Title（参考訳）: さすがに、アクト:ビジョンランゲージ・アクション・自律運転のための専門的認知的チェーン
• Abstract要約: 本稿では,知性を駆動する新しいパラダイムであるシンクDensely,Act Sparselyを提案し,それを効率的かつ解釈可能なフレームワークであるLECDriveでインスタンス化する。 中心となる考え方は、ビジョン・ランゲージ・アクションモデルに潜伏した専門家認知の進歩的な連鎖を埋め込むことによって、人間の階層的知覚過程を模倣することである。 LECDriveは、複数の自律運転ベンチマークにおけるベースVLMの性能を一貫して改善する。
• 参考スコア（独自算出の注目度）: 28.735585182870917
• License:
• Abstract: Autonomous driving fundamentally demands dense understanding of visual, semantic, and geometric information, yet existing Vision-Language-Action (VLA) models are typically trained with sparse supervision such as language instructions or trajectory signals. This direct mapping from dense visual observations to sparse representations forces the model to compress or even discard critical scene information essential for safe driving. We argue that this limitation does not stem from insufficient model capacity, but from the lack of explicit mechanisms that encourage the formation of dense world representations in the latent space. In this spirit, we propose a novel paradigm for driving intelligence, Think Densely, Act Sparsely, and instantiate it with an efficient and interpretable framework, LECDrive (Latent Expert Cognitive Chains for Vision-Language-Action autonomous Driving). The core idea is to mimic the hierarchical perception process of humans by embedding a progressive chain of latent expert cognition within the VLA model. Concretely, we inject a compact set of task-specific latent tokens as carriers, enabling the model to internalize dense knowledge from foundational vision models, including visual representations (DINOv3), semantic structures (SAM3), and spatial geometry (DepthAnything3), while maintaining efficient inference. This interdependent cognitive chain follows a curriculum learning principle, where supervision is progressively structured from representation to semantics and geometry. Extensive experiments demonstrate that LECDrive consistently improves the performance of base VLMs across multiple autonomous driving benchmarks, covering key tasks such as object perception, state prediction, and trajectory planning. These findings suggest that constructing dense world models through structured latent expert chains is a promising direction for VLA-based autonomous driving.
• Abstract（参考訳）: 自律運転は基本的に視覚的、意味的、幾何学的情報の密接な理解を必要とするが、既存のビジョン・ランゲージ・アクション(VLA)モデルは言語命令や軌跡信号などの疎密な監督によって訓練される。 この密集した視覚観察からスパース表現への直接マッピングは、モデルに安全な運転に必要な重要なシーン情報を圧縮または破棄させる。 この制限は、モデルキャパシティの不足からではなく、潜在空間における密度世界表現の形成を促進する明示的なメカニズムの欠如に起因していると主張する。 本稿では,知性を駆動するための新しいパラダイム,思考の度合い,行為のスパース化,および効率的な解釈可能なフレームワークであるLECDrive(Latent Expert Cognitive Chains for Vision-Language-Action autonomous Driving)を提案する。 中心となる考え方は、VLAモデルに潜伏した専門家認知の進歩的な連鎖を埋め込むことによって、人間の階層的な知覚過程を模倣することである。 具体的には,視覚表現(DINOv3),意味構造(SAM3),空間幾何学(DepthAnything3)などの基礎的視覚モデルから密集した知識を内包し,効率的な推論を維持しつつ,タスク固有の潜在トークンのコンパクトなセットをキャリアとして注入する。 この相互依存的な認知連鎖はカリキュラム学習の原則に従い、監督は表現から意味論や幾何学まで徐々に構造化される。 大規模な実験により、LECDriveは複数の自律運転ベンチマークにおけるベースVLMの性能を一貫して改善し、オブジェクト認識、状態予測、軌道計画といった重要なタスクをカバーしている。 これらの結果は、構造化された潜在専門家チェーンを通して密集した世界モデルを構築することが、VLAベースの自律運転にとって有望な方向であることを示唆している。

関連論文リスト

• EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
  視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
  論文  参考訳（メタデータ） (2026-09-30T15:35:53Z)
• UniDriveVLA: Unifying Understanding, Perception, and Action Planning for Autonomous Driving [48.461267171124945]
  自動運転のためのUnified Driving Vision-Language-ActionモデルであるUniDriveVLAを提案する。 理解、シーン認識、行動計画の3つの専門家で構成されており、マスク付き共同注意を通して調整されている。 nuScenesのオープンループ評価とBench2Driveのクローズループ評価における最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-02T15:48:45Z)
• SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
  本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。 トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
  論文  参考訳（メタデータ） (2026-01-09T08:55:42Z)
• Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future [125.92052530850425]
  VLA(Vision-Language-Action)フレームワークは、認識と言語に基づく意思決定を統合する。 VLAフレームワークは、より解釈可能で、一般化可能で、人間に準拠した運転ポリシーへの道筋を提供する。 この研究は、人間と互換性のある自動運転システムを構築するための一貫性のある基盤を確立することを目的としている。
  論文  参考訳（メタデータ） (2025-12-18T16:57:44Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)

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。