摘要
视觉-语言-动作(VLA)模型通过深度语言模型进行驾驶决策,但其所需深度尚不明确。本研究针对一个代表性驾驶VLA模型,该模型的整个计划由单个规划token承载,生成式解码器将其解码为轨迹。我们将规划器作为轨迹空间的logit透镜,从32个解码器层中的每一层解码规划token,并测量导航命令的线性可解码性及与冻结原生规划器的轨迹兼容性。诊断显示,语义意图在早期即可线性解码,而轨迹兼容性随深度逐渐提升。通过对解码层按角度偏差排序,我们移除了8/32层,仅导致约5%的开环误差增加,同时实现了1.33倍的解码加速。
AI 推荐理由
论文直接研究VLA模型中规划token的深层机制与剪枝,核心聚焦于规划信息的表示与优化。
研究机构
Robert Bosch GmbH, Stuttgart, Germany
Karlsruhe Institute of Technology, Karlsruhe, Germany
论文信息