WCog-VLA：用于端到端自动驾驶的双层世界认知视觉-语言-动作模型

视觉-语言-动作（VLA）模型具有先进的端到端自动驾驶能力。然而，现有的方法要么缺乏全面的世界认知，要么缺乏碎片化的世界预见，本质上将这些模型限制在被动驾驶。为了解决这一限制，我们提出了 WCog-VLA，这是一种新颖的双层世界认知 VLA 框架，成功地将语义世界预测与生成世界进化联系起来，以实现主动自动驾驶。在语义层面，WCog-VLA 通过结合 3D 空间感知和注入代理词元来捕获世界动态，从而统一世界认知和推理，同时实现博弈论思想链 (Game-CoT) 推理。在生成层面，我们引入了对齐解耦扩散 Transformer (ADDT) 作为一个强大的生成世界模型，可以合成物理上合理的联合多智能体轨迹。通过场景表示对齐，ADDT 减少了所需的去噪步骤数量，从而显着加快了推理速度。为了促进策略推理，我们进一步构建了一个包含 85k Game-CoT 注释的大规模数据集。 NAVSIM 基准的大量实验表明，WCog-VLA 的最新 (SOTA) PDMS 分数为 92.9。