SafeDriveVLA：推演导航服从的安全性

1. 01:59
   arXiv · 多模态与生成机制精选

   SafeDriveVLA：面向冲突感知端到端自动驾驶的导航条件化世界模型推演

   基于摘要分析。该研究面向自动驾驶 Vision-Language-Action（VLA）模型中的导航指令安全问题：自由形式自然语言扩大了交互能力，也可能引入与当前场景冲突的疏忽或恶意指令。作者提出 SafeDriveVLA，以导航条件化世界模型推演辅助判断是否服从指令，并提出联合评估导航遵循、冲突感知与对抗鲁棒性的基准套件。 核心机制是显式预测三级导航服从模式，将冲突推理与动作生成解耦。其世界模型不只推演专家动作或规划动作，而是推演“严格遵循导航信号”可能产生的情景，据此辅助判断服从是否安全。摘要未说明三级模式的具体定义、世界模型训练方式、监督来源及其与动作生成模块的连接细节，这些内容尚未验证。 作者报告，SafeDriveVLA 在 Bench2Drive 上取得 88.16 Driving Score（DS）与 68.64% Success Rate（SR）；相较最佳 SimLingo 变体，闭环语言指令遵循提升 49.3%，不安全指令下的碰撞次数由 60 降至 38。摘要未明确 49.3% 对应指标的计算方式，也未给出碰撞统计的试验总量、路线配置或重复次数，不能据此换算碰撞率或判断统计显著性。作者另报告，SimLingo 在所述闭环评估中未完成任何语言指令要求的变道，且被评估模型在冲突信号下均明显退化；适用范围仍需结合完整协议核对。 复现重点是冲突指令与对抗输入的构造、三级服从模式的监督和评估、世界模型推演的可靠性，以及各模块对闭环结果的独立贡献。实验协议、消融及统计信息尚未验证。本文的主要研究对象是自动驾驶，摘要未提供 EEG 或 BCI 实验证据，不应将其结果直接视为 BCI 安全性收益。

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。