Uni-World VLA：自動運転のためのインタリーブド・ワールドモデリングと計画

要旨: 自動運転は、環境がどのように変化していくかを推論し、それに応じて行動を計画することを必要とする。既存の世界モデルに基づくアプローチでは、典型的にまず将来のシーンを予測し、その後で計画を立てるため、実際の意思決定過程から逸れていく可能性のあるオープンループの想像（imagination）が生じる。本論文では、将来フレーム予測と軌跡計画を密にインタリーブ（交互に組み合わせ）する統合ビジョン-言語-行動（VLA）モデルであるUni-World VLAを提案する。計画の前に完全な世界ロールアウトを生成するのではなく、我々のモデルはステップごとに将来フレームと自己（ego）行動の予測を交互に行い、想像上の将来観測に対して計画上の判断を継続的に条件付けできるようにする。このインタリーブ生成は、世界モデリングと制御の間に閉ループの相互作用を形成し、動的な交通シナリオにおいてより適応的な意思決定を可能にする。さらに、単眼の深度情報をフレームに組み込み、世界モデリングのためのより強力な幾何学的手がかりを提供することで、長期（長ホライズン）のシーン予測を改善する。NAVSIMベンチマークでの実験により、我々の手法は高忠実度な将来フレーム予測を生成しつつ、競争力のある閉ループ計画性能を達成することが示される。これらの結果は、世界予測と計画を密に結合することが、スケーラブルなVLA自動運転システムにとって有望な方向性であることを示している。