Uni-World VLA：用于自动驾驶的交错式世界建模与规划

自动驾驶需推演环境演化并据此规划动作。现有基于世界模型的方法通常先预测未来场景再规划，导致开环想象偏离实际决策。本文提出 Uni-World VLA，一种统一视觉 - 语言 - 动作模型，紧密交错未来帧预测与轨迹规划。该模型逐步交替预测未来帧与自车动作，使规划决策持续基于想象的未来观测，形成世界建模与控制的闭环交互，提升动态交通场景下的自适应决策能力。此外，引入单目深度信息增强几何线索，改善长时程场景预测。NAVSIM 基准实验表明，该方法在实现高保真未来帧预测的同时，取得了具有竞争力的闭环规划性能。