AutoVLA-D 获 NeurIPS 接收,GeRo 框架提出
热点事件持续更新
AutoVLA-D 获 NeurIPS 接收,GeRo 框架提出
3 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026 年 11 月 10 日,论文 AutoVLA-D (Double) 被 NeurIPS 接收并公开代码。该方法旨在解决自回归规划中连续轨迹预测的局限,通过引入离散轨迹与几何条件优化自动驾驶视觉 - 语言模型(VLA)的规划能力。 次日,Rajeev Yasarla 等人提出 Generative Scenario Rollouts (GeRo) 框架。该框架作为 VLA 模型的插件,利用自回归策略联合执行规划与基于语言的未来交通场景生成,以应对端到端自动驾驶系统过度依赖稀疏轨迹标注模仿学习的问题。
AI 根据报道生成 · 10 小时前更新
事件进展
3 个进展
- 11月18日 13:00 · 1 篇报道Residual-Guided Lightweight Reinforcement Learning for Risk-arXiv · 机器人与计算机视觉:Residual-Guided Lightweight Reinforcement Learning for Risk-Aware Trajectory Selection with a Frozen World Model 提出残差引导强化学习框架,在冻结世界模型下优化轨迹选择策略。
- 11月11日 13:00 · 1 篇报道提出用于端到端自动驾驶的生成式场景推演框架 GeRoarXiv · 机器人与计算机视觉:Generative Scenario Rollouts for End-to-End Autonomous Driving
- 11月10日 13:00 · 1 篇报道AutoVLA-D:引入轨迹几何条件优化自动驾驶 VLA 规划arXiv · 机器人与计算机视觉:AutoVLA-D:为自动驾驶 VLA 学习推理中的轨迹几何条件
报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv · 机器人与计算机视觉Residual-Guided Lightweight Reinforcement Learning for Risk-Aware Trajectory Selection with a Frozen World Model 提出残差引导强化学习框架,在冻结世界模型下优化轨迹选择策略。
该研究针对自动驾驶场景依赖的权衡问题,利用近端策略优化微调联合策略与有界残差,并通过上下文条件排名网络从局部扰动反馈中学习候选偏好。在 nuScenes 验证集的开环评估中,该方法相比 RiskWorld 基线将平均欧氏轨迹误差降低 3.99%,且在去除或打乱风险特征时仍保持更低误差。
11月11日
- arXiv · 机器人与计算机视觉精选Generative Scenario Rollouts for End-to-End Autonomous Driving
论文提出了 Generative Scenario Rollouts (GeRo) 框架,旨在解决当前端到端自动驾驶系统过度依赖稀疏轨迹标注模仿学习的问题。该框架将 VLA 模型作为规划器,通过自回归策略联合执行规划与基于语言的未来交通场景生成。
11月10日
- arXiv · 机器人与计算机视觉AutoVLA-D:为自动驾驶 VLA 学习推理中的轨迹几何条件
Autoregressive VLA planning usually predicts continuous trajectories as the final output。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 911月18日 17:00
- 近 24 小时变化
- –
02.557.510
11月13日11月15日11月17日11月19日
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。