論文の概要: GatedVLA with Camera-Based Emergency Braking: AlpaSim E2E Closed Loop Challenge Technical Report
- arxiv url: http://arxiv.org/abs/2611.01663v1
- Date: Sun, 01 Nov 2026 07:16:10 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:19:33.688755
- Title: GatedVLA with Camera-Based Emergency Braking: AlpaSim E2E Closed Loop Challenge Technical Report
- Title（参考訳）: カメラによる緊急ブレーキ付きGatedVLA:AlpaSim E2E Closed Loop Challenge Technical Report
- Abstract要約: 本稿では,PAI-AVトラックのGatedVLAについて紹介する。
我々のポリシーは、駆動訓練されたQwen-Drive-1.0-4B視覚言語モデルと、層ワイドフローマッチングアクションエキスパートとをペアリングする。
同一に訓練されたベースラインと比較すると、マスクされたポリシーは全体のオープンループエラーに匹敵する。
- 参考スコア（独自算出の注目度）: 1.1979851857700952
- License:
- Abstract: This report presents GatedVLA, our entry for the Physical AI AV (PAI-AV) track. Our learned vision-language-action (VLA) policy pairs the driving-pretrained Qwen-Drive-1.0-4B vision-language model with a layer-wise flow-matching action expert that outputs a 2.5 s horizon of acceleration and curvature controls, augmented with a soft visual mask applied to the expert's cross-attention. Compared to an identically trained baseline, the masked policy achieves comparable overall open-loop error while reducing error on left turns. In local closed-loop evaluation across the same 150 scenes (two rollouts per scene), the visual mask increases the mean scene score from 0.479 to 0.517 (paired difference +0.038, 95% bootstrap CI [-0.018, +0.093], wins/losses 37/26, sign test p = 0.21). Incorporating a rule-based automatic emergency braking (AEB) module at deployment further increases the mean score to 0.599 (+0.082, CI [+0.023, +0.143]) and reduces the mean number of scenes with at-fault collisions from 34.0 to 11.0.
- Abstract（参考訳）: 本稿では,PAI-AVトラックのGatedVLAについて紹介する。
学習した視覚-言語-アクション(VLA)ポリシーは、駆動訓練されたQwen-Drive-1.0-4B視覚-言語モデルと、アクセラレーションと曲率制御の2.5sの地平線を出力する層ワイドフローマッチングアクションエキスパートとを、専門家のクロスアテンションに適用したソフトな視覚マスクで強化する。
同一に訓練されたベースラインと比較して、マスクされたポリシーは、左旋回でのエラーを減らしながら、全体のオープンループエラーに匹敵する。
同じ150シーン(シーン毎に2回ロールアウト)にわたる局所閉ループ評価では、視覚マスクは平均シーンスコアを0.479から0.517(ペア差+0.038、95%ブートストラップCI[-0.018、+0.093]、勝利/損失37/26、サインテストp = 0.21)に増加させる。
ルールベースの自動緊急ブレーキ(AEB)モジュールを配備時に組み込むことにより、平均スコアは0.599(+0.082, CI [+0.023, +0.143])に増加し、デフォルト衝突によるシーンの平均回数を34.0から11.0に削減する。
関連論文リスト
- From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳（メタデータ） (2026-09-29T17:49:07Z) - CLAP: Closed-Loop Alignment with Pressure for Precise Suction Manipulation [50.72629909392354]
本稿では,真空ラインにタップされた圧力モジュールを通してアタッチメント状態を観測できるCLAPを提案する。
データについては、物理ロボット上でゴール状態の分解を記録し、関節状態のシーケンスをオフラインで反転させる。
実際のUnitree Z1では、1つのマルチタスクチェックポイントが96.67%に達する。
論文 参考訳（メタデータ） (2026-09-26T16:40:23Z) - FIVE-VLA: Fast and EffectIVE Autonomous Driving with Recurrent Action Memory [55.9206828090176]
自律運転のための最先端の視覚-言語-アクションモデル(VLA)は、限界に直面している。
本稿では,FastとEffective VLA(FIVE-VLA)を2つの重要なコントリビューションを通じて取り上げる。
論文 参考訳（メタデータ） (2026-09-16T13:13:18Z) - Observe Before You Alert: Adaptive Driver Alerting with Vision-Language Models [22.095487498535434]
ダッシュカムビデオからのドライバー警告は、部分的な可観測性の下でのシーケンシャルな意思決定を必要とする。
既存の事故予測モデルはバイナリリスクスコアを出力し、あいまいなシーンをしきい値で処理する。
本稿では,SILENT,OBSERVE,ALERTに対して,警告生成をトリアクションポリシとする視覚言語警告フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-08T02:08:50Z) - RedLight-VLA: Models for traffic-rule grounding and behavioral emphasis in driving policies [1.6960711143212859]
行動閉鎖型ビジョン・ランゲージ・アクション・ドライビング・ポリシーは信号交差点での希少なルール支配の操作に苦慮する。
我々は、専門家の未来と自動生成された知覚目標を利用する訓練目標であるRedLight-VLAを提案する。
制御された変種は同じバックボーン、トレーニングデータ、デコーダ、評価集団を共有している。
論文 参考訳（メタデータ） (2026-08-21T00:55:45Z) - Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline [0.10874100424278173]
ACCIDENT @ CVPRベンチマークは、厳密な制約の下で、この共同予測を正確に評価する。
我々は,凍結したQwen3-VL-32B-インストラクション視覚言語モデルとYOLO11xオブジェクト検出とBoT-SORTトラッキングを組み合わせた,トレーニングフリーで2パスの粗いパイプラインを提案する。
公式の2,027クリップの実CCTVテストセットにおいて,本システムは0.504の3方向高調波平均スコアを達成した。
論文 参考訳（メタデータ） (2026-08-09T19:08:56Z) - Patch Policy: Efficient Embodied Control via Dense Visual Representations [52.199962246592285]
我々は,フルVLMの計算オーバーヘッドを伴わずに,事前訓練済みの高密度パッチトークンを直接消費するパッチポリシーを開発した。
提案手法は,最先端のグローバルプール表現を用いた政策よりも40%の相対的な改善を実現している。
微調整されたOpenVLA-OFTを18%上回り、パラメータの約0.7%を使用する。
論文 参考訳（メタデータ） (2026-07-20T17:59:41Z) - When and How Severely: Scenario-Specific Safety Envelopes for Driving VLAs [0.0]
ISO 21448の下でのVLA(Vision-Language-Action)運転プランナーの安全性の保証は、オペレーショナル・デザイン・ドメイン(ODD)仕様に依存している。
15,968対(クリップ,アタック)で10Bパラメータのオープンウェイト駆動VLAであるAlpamayo R1を評価した。
全体の安全閾値が$leq 50$で15%の平均変位誤差 (ADE) の予算マスクは、テストグリッドの上部を許容する、よくサンプリングされたシナリオである。
論文 参考訳（メタデータ） (2026-06-12T08:20:06Z) - Two-Pass Zero-Shot Temporal-Spatial Grounding of Rare Traffic Events in Surveillance Video [0.0]
実際のCCTV映像における地上交通事故は、ラベル付き事故映像のトレーニングがしばしば禁止される希少な問題である。
我々は、凍結した視覚言語モデルからこのジョイント出力を引き出す、微調整のパイプラインを提案する。
論文 参考訳（メタデータ） (2026-05-02T16:05:44Z) - Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
道路交通事故は世界中の交通事故の主な原因である。
米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。
本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。
2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
論文 参考訳（メタデータ） (2026-04-17T21:11:39Z) - DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning [94.62097655403683]
本稿では,ビジョン・ランゲージ・アクション統合フレームワークとして機能する空間認識型4次元MLLMであるDrivePIを提案する。
提案手法は,空間的理解,3次元知覚,予測(占有フロー),計画(行動出力)を並列に行う。
MLLMのバックボーンとして0.5BのQwen2.5モデルしか持たず、単一の統一モデルとしてのDrivePIは既存のVLAモデルと特殊VAモデルの両方を上回るか、あるいは超える。
論文 参考訳（メタデータ） (2025-12-14T18:45:54Z)
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。