UniDriveVLA：统一自动驾驶的理解、感知与动作规划

视觉 - 语言 - 动作（VLA）模型在自动驾驶中展现出提升认知能力的潜力，但面临空间感知与语义推理的困境。现有系统往往顾此失彼。本文提出 UniDriveVLA，一种基于混合 Transformer 架构的统一驾驶模型，通过专家解耦解决该冲突。该模型包含理解、感知和动作规划三个专家模块，通过掩码联合注意力协调，并结合稀疏感知范式与三阶段渐进训练策略。实验表明，该方法在开环和闭环评估中均达到最先进水平，兼具强大的感知、预测及理解能力。