面向自动驾驶高效视觉 - 语言 - 动作模型的推理感知推测解码

现代自动驾驶视觉 - 语言 - 动作（VLA）规划器在生成轨迹前需执行自回归因果链推理，该步骤主导了推理延迟。为解决此问题，本文提出将推理拆分为两条专用路径：利用轨迹历史处理常规延续的“常规推理器”，以及利用当前视觉证据处理新颖情况的“审慎推理器”。文章引入 FlatRoPE 位置编码引导注意力机制，并结合动作感知强化学习（AARL）进行后训练。实验表明，该系统使推理步骤运行时间较原模型减少约四倍。