DriveWorld-VLA：面向自动驾驶的统一潜在空间世界建模框架结合视觉语言动作
计算机视觉与模式识别
2026-02-09 v1 机器人学
摘要
端到端（E2E）自动驾驶近期因统一视觉语言动作（Vision-Language-Action, VLA）与世界模型以提升决策与前瞻想象而受到广泛关注。然而，现有方法由于未能有效在单一架构中统一未来场景演化与动作规划，且未能充分共享潜在状态，限制了视觉想象对动作决策的影响。为此，我们提出DriveWorld-VLA，一种新型框架，通过在表示层面紧密集成VLA与世界模型，实现潜在空间内的世界建模与规划，使VLA规划器能直接从整体场景演化建模中获益，减少对密集标注监督的依赖。此外，DriveWorld-VLA将世界模型的潜在状态作为VLA规划器的核心决策状态，促进规划器评估候选动作对未来场景演化的影响。通过在潜在空间中完全进行世界建模，DriveWorld-VLA支持在特征层面进行可控的、动作条件化的想象，避免了昂贵的像素级滚动。广泛的开放式闭环评估表明，DriveWorld-VLA的有效性：在NAVSIMv1上达到91.3 PDMS，在NAVSIMv2上达到86.8 EPDMS，在nuScenes上实现0.16的3秒平均碰撞率。代码和模型将发布于https://github.com/liulin815/DriveWorld-VLA.git。
引用
@article{arxiv.2602.06521,
title = {DriveWorld-VLA: Unified Latent-Space World Modeling with Vision-Language-Action for Autonomous Driving},
author = {Feiyang jia and Lin Liu and Ziying Song and Caiyan Jia and Hangjun Ye and Xiaoshuai Hao and Long Chen},
journal= {arXiv preprint arXiv:2602.06521},
year = {2026}
}
备注
20 pages, 7 tables, 12 figures