LVDrive：潜在视觉表征增强的视觉 - 语言 - 动作自动驾驶模型

视觉 - 语言 - 动作（VLA）模型已成为端到端自动驾驶的有力框架，但现有方法依赖稀疏动作监督，未充分利用其场景理解与推理能力。引入密集视觉监督的世界模型往往过度关注像素级重建，忽视语义场景表征。本文提出 LVDrive，将未来场景预测任务引入 VLA 范式，在预训练视觉骨干辅助下于高层潜在空间学习未来表征。该方法摒弃低效的自回归生成，在统一嵌入空间中联合建模未来场景与运动预测，通过单次前向传播实现未来感知推理，并设计两阶段轨迹解码策略以优化轨迹生成。