NaviDriveVLM: Desacoplamento do Raciocínio de Alto Nível e do Planejamento de Movimento para Condução Autónoma
NaviDriveVLM: Decoupling High-Level Reasoning and Motion Planning for Autonomous Driving
March 9, 2026
Autores: Ximeng Tao, Pardis Taghavi, Dimitar Filev, Reza Langari, Gaurav Pandey
cs.AI
Resumo
Os modelos visão-linguagem (VLMs) emergiram como uma direção promissora para a condução autónoma de ponta a ponta, modelando conjuntamente observações visuais, contexto de condução e raciocínio baseado em linguagem. No entanto, os sistemas existentes baseados em VLMs enfrentam um compromisso entre o raciocínio de alto nível e o planeamento de movimento: modelos grandes oferecem uma forte compreensão semântica, mas são dispendiosos de adaptar para um controlo preciso, enquanto os modelos VLM pequenos podem ser afinados de forma eficiente, mas frequentemente exibem um raciocínio mais fraco. Propomos o NaviDriveVLM, uma arquitetura desacoplada que separa o raciocínio da geração de ações usando um Navegador de grande escala e um Condutor leve e treinável. Este projeto preserva a capacidade de raciocínio, reduz o custo de treino e fornece uma representação intermédia explícita e interpretável para o planeamento subsequente. Experiências no benchmark nuScenes mostram que o NaviDriveVLM supera as linhas de base de VLM grandes no planeamento de movimento de ponta a ponta.
English
Vision-language models (VLMs) have emerged as a promising direction for end-to-end autonomous driving (AD) by jointly modeling visual observations, driving context, and language-based reasoning. However, existing VLM-based systems face a trade-off between high-level reasoning and motion planning: large models offer strong semantic understanding but are costly to adapt for precise control, whereas small VLM models can be fine-tuned efficiently but often exhibit weaker reasoning. We propose NaviDriveVLM, a decoupled framework that separates reasoning from action generation using a large-scale Navigator and a lightweight trainable Driver. This design preserves reasoning ability, reduces training cost, and provides an explicit interpretable intermediate representation for downstream planning. Experiments on the nuScenes benchmark show that NaviDriveVLM outperforms large VLM baselines in end-to-end motion planning.