HyWorldVLA: A Vision-Language-Action Model with Hybrid World Modeling for Autonomous Driving
HyWorldVLA：一种用于自动驾驶的具有混合世界建模的视觉-语言-动作模型
机构 * Automotive New Technology Research Institute, BYD Company Limited（比亚迪汽车新技术研究院）
AI总结 研究针对自动驾驶中视觉-语言-动作模型的不足，提出HyWorldVLA框架，统一像素级监督与潜在表征学习。预训练阶段预测视频潜在并重建帧，微调阶段预测潜在特征生成轨迹，实验表明其性能优于基线，还建立了世界模型噪声鲁棒性评估新基准。
Comments 20 pages with 13 figures
