SpanVLA：视觉-语言-动作模型的有效动作桥接和从负恢复样本中学习

视觉-语言-动作（VLA）模型提供了一种有前途的自动驾驶范例，可以利用世界知识和推理能力，特别是在长尾场景中。然而，现有的 VLA 模型经常会遇到使用自回归生成框架的动作生成的高延迟问题，并且鲁棒性有限。在本文中，我们提出了 SpanVLA，一种新颖的端到端自动驾驶框架，集成了自回归推理和流程匹配动作专家。首先，SpanVLA引入了一个高效的桥梁，利用VLM的视觉和推理指导，使用以历史轨迹初始化为条件的流匹配策略来有效地规划未来轨迹，从而显着减少推理时间。其次，为了进一步提高SpanVLA模型的性能和鲁棒性，我们提出了一种基于GRPO的后训练方法，使VLA模型不仅能够从积极驾驶样本中学习，而且能够学习如何避免典型的消极行为并学习恢复行为。我们进一步介绍了mReasoning，一个新的现实世界驾驶推理数据集，专注于复杂的推理需求场景和负恢复样本。 NAVSIM（v1 和 v2）上的大量实验证明了 SpanVLA 模型的竞争性能。此外，不同场景的定性结果凸显了我们模型的规划性能和稳健性。