提出了一种统一的视觉-语言-世界-动作模型Vega,用于基于自然语言指令的自动驾驶生成与规划,通过自回归处理视觉和语言输入、扩散模型生成未来图像和轨迹,并引入联合注意力和模态专用投影层,在InstructScene数据集上实现了强指令跟随能力与优越的规划性能。
机构:清华
来源:arXiv 2603.25741 | AI4Papers 论文推荐平台