Uni-World VLA：自动驾驶的交错世界建模和规划

自动驾驶需要推理环境如何演变并相应地规划行动。现有的基于世界模型的方法通常首先预测未来场景，然后进行规划，从而导致可能偏离实际决策过程的开环想象。在本文中，我们提出了 Uni-World VLA，这是一种统一的视觉-语言-动作（VLA）模型，它将未来帧预测和轨迹规划紧密地交织在一起。我们的模型不是在规划之前生成全面​​的世界展示，而是逐步在预测未来框架和自我行为之间交替，从而使规划决策能够不断地以想象的未来观察为条件。这种交错的生成形成了世界建模和控制之间的闭环交互，从而在动态交通场景中实现更具适应性的决策。此外，我们将单眼深度信息合并到帧中，为世界建模提供更强的几何线索，从而改进长视野场景预测。 NAVSIM 基准测试表明，我们的方法实现了有竞争力的闭环规划性能，同时产生高保真度的未来帧预测。这些结果表明，紧密耦合的世界预测和规划是可扩展 VLA 驱动系统的一个有前途的方向。