CAR-VLA: Complexity-Aware and Risk-Adaptive Reasoning for Autonomous Driving

📄 arXiv: 2609.34387v1 📥 PDF

作者: Xiaolei Chen, Zhuolin He, Yuxuan Liang, Xu Li, Haotian Chen, Shi Fan, Mengyang Zhao, Wenjuan Meng, Zisheng Chen, Zhihao Zhu, Zhounan Jin, Hengli Wang, Qingfan Wang, Jiamei Liang, Bin Li, Xiangyang Xue

分类: cs.CV

发布日期: 2026-09-28

🔗 代码/项目: GITHUB

💡 一句话要点

提出CAR-VLA以解决自动驾驶中的复杂性与风险适应性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自动驾驶 视觉-语言-动作 风险适应 推理模式 深度学习

📋 核心要点

  1. 现有的自动驾驶推理方法未能有效考虑场景复杂性与动态风险的结合，导致推理效果不佳。
  2. CAR-VLA模型通过综合场景复杂性和动态风险，提出了三种不同的推理模式，以适应不同的驾驶场景。
  3. 在NAVSIM v1、NAVSIM v2和Navhard等数据集上的实验结果表明，CAR-VLA在驾驶性能上具有显著提升。

📝 摘要（中文）

现有的自动驾驶视觉-语言-动作（VLA）模型的自适应推理方法主要关注是否进行推理，而忽视了在不同驾驶场景中推理方式的差异。本文提出CAR-VLA模型，综合考虑场景复杂性和动态风险，以指导推理的深度、紧迫性和重点。CAR-VLA将四种复杂性-风险类别映射到三种推理模式：在简单低风险场景中使用快速直觉模式进行直接轨迹生成，在复杂低风险场景中使用慢思考模式进行深思熟虑的推理，在高风险场景中使用反射响应模式进行集中、以危险为中心的推理。通过逐步监督学习和增强学习，CAR-VLA在多个数据集上展示了竞争力的驾驶性能。

🔬 方法详解

问题定义：本文旨在解决现有自动驾驶VLA模型在推理过程中未能充分考虑场景复杂性与动态风险的问题，导致推理效果不理想。

核心思路：CAR-VLA模型的核心思想是将场景复杂性与动态风险结合，指导推理的深度和方式，以适应不同的驾驶情境。通过这种方式，模型能够在时间紧迫的情况下做出更为合理的决策。

技术框架：CAR-VLA的整体架构包括场景评估、推理模式选择和轨迹生成三个主要模块。首先对场景进行复杂性和风险评估，然后选择合适的推理模式，最后生成相应的驾驶轨迹。

关键创新：CAR-VLA的主要创新在于将复杂性与风险的结合引入推理过程，形成了快速直觉、慢思考和反射响应三种推理模式，这与传统方法的单一推理方式有本质区别。

关键设计：模型采用逐步监督学习和增强学习相结合的训练方式，设计了特定的损失函数以优化推理行为，并通过动态调整推理模式来提升驾驶质量。具体的网络结构和参数设置在实验中进行了详细验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在NAVSIM v1、NAVSIM v2和Navhard数据集上的实验结果显示，CAR-VLA模型分别达到了91.1 PDMS、90.3 EPDMS和35.0 EPDMS的性能，展现了优于现有基线的竞争力，尤其在高风险场景下的推理能力显著提升。

🎯 应用场景

CAR-VLA模型在自动驾驶领域具有广泛的应用潜力，能够有效提升车辆在复杂和高风险环境中的决策能力。其风险适应性推理策略可应用于智能交通系统、无人驾驶出租车及其他自动驾驶服务，未来可能推动更安全的自动驾驶技术发展。

📄 摘要（原文）

Existing adaptive reasoning methods for driving Vision-Language-Action (VLA) models primarily focus on whether to reason, overlooking how reasoning should differ across driving situations. Our key insight is that while scene complexity informs reasoning depth, dynamic risk is equally critical for deciding how to reason in time-critical situations. We therefore propose CAR-VLA, a unified driving VLA model that jointly considers scene complexity and dynamic risk to guide reasoning depth, urgency, and focus. CAR-VLA maps four complexity--risk categories to three reasoning modes: \textit{Fast Intuition} for direct trajectory generation in simple low-risk scenes, \textit{Slow Thinking} for deliberate reasoning in complex low-risk scenes, and \textit{Reflex Response} for compact, hazard-focused reasoning in high-risk scenes regardless of complexity. Rather than merely shortening deliberation, Reflex Response centers reasoning on the most critical hazard and the immediate safe response. We train CAR-VLA through progressive supervised learning that links scene assessment, reasoning-mode selection, and trajectory generation, followed by reasoning-augmented reinforcement learning to improve driving quality and reasoning behavior. Experiments on NAVSIM v1(91.1 PDMS), NAVSIM v2(90.3 EPDMS), and Navhard(35.0 EPDMS) demonstrate competitive driving performance. Qualitative comparisons on navtest and in-house high-risk scenarios further illustrate risk-aware reasoning and hazard-responsive trajectory generation. The code for this paper will be released publicly at: https://github.com/chenxl124578/CAR-VLA.git