Resumen Técnico: AnchorVLA

Declaración del Problema

La planificación de la conducción autónoma requiere traducir la intención de navegación de alto nivel, las reglas de tráfico, las interacciones dinámicas y las instrucciones de lenguaje en trayectorias continuas ejecutables. Aunque se han introducido modelos de Visión-Lenguaje-Acción (VLA) para mejorar la generalización en casos de cola larga (long-tail), el razonamiento de sentido común y la explicabilidad, los planificadores VLA existentes sufren un vacío de abstracción fundamental entre el razonamiento lingüístico de alto nivel y la ejecución de trayectorias continuas de bajo nivel.

Los enfoques actuales siguen generalmente dos paradigios, ambos con limitaciones:

1. Métodos Basados en Cabezales de Planificación: Utilizan características de VLM/LLM para impulsar un cabezal de planificación independiente. Si bien permiten una generación continua rápida, el espacio de la trayectoria está solo débilmente restringido por el razonamiento VLA, lo que dificulta alinear consistentemente las maniobras locales con las decisiones de alto nivel.
2. Métodos de Generación Autoregresiva: Discretizan las trayectorias en tokens de coordenadas o puntos de referencia (waypoints) y las generan secuencialmente. Aunque esto involucra más directamente al LLM, los tokens de acción resultantes tienen una baja densidad de información (representando puntos geométicos individuales). Esto conduce a secuencias largas, acumulación de errores de discretización y una débil correspondencia semántica con el contexto de la escena, fallando en explotar plenamente la capacidad del LLM para la abstracción discreta.

Metodología: AnchorVLA

Los autores proponen AnchorVLA, un marco de planificación jerárquico de VLA anclado en decisiones (Decision-Anchored). La idea central es elevar la representación de la acción desde tokens de coordenadas de bajo nivel hacia anclas de patrones de trayectoria de alto nivel. Estas anclas sirven como una interfaz explícita entre el razonamiento VLA de alto nivel y la ejecución de trayectorias continuas.

El marco consta de dos componentes primarios:

1. Representación de Decisión como Ancla (DAAR)

DAAR mapea el razonamiento VLA de alto nivel en un espacio compacto de anclas de patrones de trayectoria. En lugar de generar autoregresivamente tokens de coordenadas de bajo nivel, el modelo predice decisiones de conducción a nivel de comportamiento (por ejemplo, mantener el carril, frenar, ceder el paso, girar) representadas como anclas.

• Construcción del Codebook: Se construye un codebook de patrones de trayectoria $\mathcal{A} = \{a_k\}_{k=1}^K$ mediante el agrupamiento (clustering) de trayectorias de entrenamiento. Cada ancla $a_k$ representa un patrón de movimiento local completo.
• Supervisión de Objetivo Suave (Soft Target Supervision): Las trayectorias de verdad de campo (ground-truth) se mapean al espacio de anclas. En lugar de etiquetas rígidas, se construye una distribución de objetivo suave sobre las anclas más cercanas para preservar la continuidad local en el espacio de patrones de trayectoria.
• Variantes de Modelado: El artículo instancia DAAR con dos métodos:
  • Modelado Basado en Consultas (Query-Based): Utiliza una consulta aprendible añadida a la secuencia de entrada para clasificar las anclas mediante un cabezal MLP.
  • Modelado Autoregresivo: Introduce tokens especiales en el vocabulario del LLM correspondientes a las anclas. Esto permite que el LLM prediga las anclas utilizando su interfaz nativa de predicción del siguiente token, tratando la selección de la ancla como una predicción de tokens a nivel de comportamiento.

2. Flujo Residual Anclado en la Decisión (DARF)

Una vez seleccionada una ancla de comportamiento, la trayectoria ejecutable final debe generarse con precisión continua fina. DARF modela esta generación en el espacio residual definido por el ancla.

• Formulación de Residuo: La trayectoria final $\tau$ se representa como $\tau = a_k + r_k$, donde $a_k$ es el ancla seleccionada y $r_k$ es un residuo continuo.
• Flow Matching (Emparejamiento de Flujo): A diferencia de la regresión determinista que promedia múltiples correcciones factibles, DARF utiliza flow matching para modelar la distribución multimodal de los residuos continuos dentro del espacio de comportamiento de la ancla seleccionada. Esto captura la incertidumbre y la diversidad de la ejecución fina (por ejemplo, variaciones leves en un cambio de carril basadas en los agentes circundantes).
• Entrenamiento e Inferencia: El modelo se entrena para predecir el campo de velocidad para la trayectoria residual. Durante la inferencia, genera trayectorias candidatas para múltiples anclas predichas (top-$M$) y selecciona la salida final basada en puntuaciones de confianza predichas.

Contribuciones Clave

1. Marco Jerárquico: Propone AnchorVLA, que formula las anclas de patrones de trayectoria como una interfaz de decisión explícita, uniendo el razonamiento de nivel de lenguaje con la planificación de trayectorias continuas.
2. Representaciones Novedosas: Introduce DAAR para mapear el razonamiento en un espacio de anclas compacto y DARF para generar refinamientos continuos multimodales dentro del espacio definido por el ancla seleccionado.
3. Rendimiento de Vanguardia (State-of-the-Art): Demuestra que el uso de anclas de patrones de trayectoria como interfaces de decisión de nivel de comportamiento mejora la fiabilidad del bucle cerrado y la alineación semántica-acción sin sacrificar la eficiencia de la inferencia.

Resultados Experimentales

El método fue evaluado en el benchmark de bucle cerrado Bench2Drive (construido sobre CARLA).

• Métricas Principales: AnchorVLA alcanzó una Tasa de Éxito (SR) del 77.28%, la más alta entre todos los métodos comparados, y una Puntuación de Conducción (DS) de 89.92.
  • Comparado con LinkVLA (un fuerte basel de autoregresivo), AnchorVLA mejoró la SR del 74.55% al 77.28% manteniendo una DS competitiva (89.92 vs. 91.01).
  • Comparado con BridgeDrive, mejoró tanto la DS (87.99 $\to$ 89.92) como la SR (74.99 $\to$ 77.28).
• Evaluación de Multi-Habilidad: El método logró la mejor puntuación media (74.22%) en diversas habilidades (Incorporación, Adelantamiento, Frenado, Ceder el Paso, Señal de Tráfico), destacando especialmente la mejor puntuación en Adelantamiento (81.11%).
• Estudios de Ablación:
  • Modelado: El modelado de anclas autoregresivo superó al modelado basado en consultas y a las variantes sin decisiones de ancla explícitas, confirmando el beneficio de modelar decisiones de alto nivel dentro del espacio de tokens del LLM.
  • Flow Matching: DARF (flujo residual definido por el ancla) superó tanto a la regresión de residuo determinista como al flow matching de trayectoria completa, lo que sugiere que modelar los residuos en un espacio compacto definido por el ancla es más efectivo para la generación de pasos limitados.
  • Latencia: Al restringir la generación autoregresiva a un espacio de anclas compacto (prediciendo solo unos pocos tokens) en lugar de secuencias de trayectoria completas, AnchorVLA redujo significativamente la latencia adicional (64 ms frente a 361 ms para los baselines autoregresivos de trayectoria completa).

Significancia

El artículo sostiene que las anclas de patrones de trayectoria sirven como una interfaz efectiva para conectar el razonamiento de nivel de lenguaje con la planificación de trayectorias continuas. Al razonar sobre anclas compactas y semánticamente significativas en lugar de generar autoregresivamente secuencias largas de tokens de coordenadas de baja densidad de información, AnchorVLA preserva las capacidades de toma de decisiones de los LLM mientras mejora la eficiencia de la inferencia, la alineación semántica-acción y la flexibilidad de la generación continua. Los resultados validan que este enfoque jerárquico proporciona una guía de nivel de comportamiento más fiable para la conducción autónoma de bucle cerrado.