跳转至

文章背景与核心概要

视觉-语言-动作（VLA）模型将场景理解、语义推理和轨迹生成相结合，广泛应用于自动驾驶领域。然而，标准的自然语言思维链（CoT）方法对于实时的车辆控制而言，速度过慢且过于开放。

本文引入了 XCoT-VLA，它用紧凑、可执行的 CoT 标记（Tokens）取代了冗长且描述性的推理过程。通过利用自动构建的“推理-动作监督”（Reason-Action supervision），该模型能够在严格的实时规划预算内，高效地处理推理和轨迹生成任务。

XCoT-VLA：面向视觉-语言-动作驾驶的可执行思维链 (XCoT-VLA: Executable Chain-of-Thought for Vision-Language-Action Driving)

作者： 小鹏汽车基础模型团队 (Foundation Model Team, XPeng Inc.)
提交时间： 2026年8月11日
主要学科： 人工智能 (cs.AI)
arXiv： 2608.10976 | DOI： 10.48550/arXiv.2608.10976

📌 摘要 (Summary)

视觉-语言-动作（VLA）模型结合了场景理解、语义推理和轨迹生成，用于自动驾驶。然而，标准的自然语言思维链（CoT）方法对于实时车辆控制来说速度太慢且过于发散。

本文介绍了 XCoT-VLA，它用紧凑的可执行 CoT 标记取代了冗长的描述性推理。通过利用自动构建的推理-动作监督，该模型在严格的实时规划预算内高效地处理推理和轨迹生成。

Vision-Language-Action (VLA) models combine scene comprehension, semantic reasoning, and trajectory generation for autonomous driving. However, standard natural-language Chain-of-Thought (CoT) approaches are too slow and open-ended for real-time vehicular control.

This paper introduces XCoT-VLA, which replaces verbose descriptive rationales with compact, executable CoT tokens. By leveraging automatically constructed Reason-Action supervision, the model efficiently handles both reasoning and trajectory generation within strict real-time planning budgets.

🚀 核心贡献与方法论 (Key Contributions & Methodology)

  • 可执行的 CoT 标记： 用 2–6 个紧凑的可执行标记代替昂贵且开放式的自然语言推理。
  • 推理-动作监督： 利用记录的轨迹作为动作证据，利用场景上下文作为因果语义。
  • 确定性标记-函数路由：
  • 将推理 FFN (Reason FFN) 应用于 XCoT 标记。
  • 通过共享的多模态自注意力机制将控制 FFN (Control FFN) 应用于轨迹查询，以进行流匹配（flow-matching）轨迹生成。
  • XCoT 策略优化（XCPO）： 在相同的可执行标记空间中运行的可选精调扩展。
  • Executable CoT Tokens: Replaces expensive, open-ended natural-language reasoning with 2–6 compact executable tokens.
  • Reason-Action Supervision: Utilizes logged trajectories for action evidence and scene context for causal semantics.
  • Deterministic Token-Function Routing:
  • Applies the Reason FFN to XCoT tokens.
  • Applies the Control FFN to trajectory queries via shared multimodal self-attention for flow-matching trajectory generation.
  • XCoT Policy Optimization (XCPO): An optional refinement extension operating in the same executable token space.

📊 性能亮点 (Performance Highlights)

XCoT-VLA 在显著减少自回归推理开销的同时，大幅提高了轨迹准确性： * 纵向 ADE（平均位移误差）： 在通用分布集上从 1.645 降至 1.323。 * 横向 FDE（最终位移误差）： 在复杂的变道场景中从 1.616 降至 0.648。

XCoT-VLA significantly improves trajectory accuracy while reducing autoregressive reasoning overhead: * Longitudinal ADE: Reduced from 1.645 to 1.323 on a general-distribution set. * Lateral FDE: Reduced from 1.616 to 0.648 in complex lane-change scenarios.