AnswersPublished15 sources
HyWorldVLA: η τριφασική προσέγγιση της BYD για αποδοτικότερα μοντέλα αυτόνομης οδήγησης
Το HyWorldVLA της BYD πέτυχε 90,59 PDMS στο NAVSIM v1 συνδυάζοντας επίβλεψη σε επίπεδο pixel με πρόβλεψη σε συμπιεσμένο latent space. Η μέθοδος εκπαιδεύει πρώτα έναν video VAE, έπειτα προεκπαιδεύει από κοινού pixel και latent προβλέψεις, και τέλος συν βελτιστοποιεί το μοντέλο κόσμου με ειδικό μοντέλο ενεργειών που π...
Δημοσιεύτηκε απόΕπεξεργασία με GPT-5.6 TerraΕικόνες δημιουργήθηκαν με GPT Image 2
Research answer
Key takeaways
- Το HyWorldVLA της BYD πέτυχε 90,59 PDMS στο NAVSIM v1 συνδυάζοντας επίβλεψη σε επίπεδο pixel με πρόβλεψη σε συμπιεσμένο latent space.
- Η μέθοδος εκπαιδεύει πρώτα έναν video VAE, έπειτα προεκπαιδεύει από κοινού pixel και latent προβλέψεις, και τέλος συν βελτιστοποιεί το μοντέλο κόσμου με ειδικό μοντέλο ενεργειών που παράγει τροχιές.
- Η αφαίρεση της pixel πρόβλεψης μείωσε το PDMS σε 87,50, ενώ η αφαίρεση της latent επεξεργασίας το μείωσε σε 89,91—ένδειξη ότι τα δύο σήματα λειτουργούν συμπληρωματικά.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did BYD’s newly revealed AI team develop HyWorldVLA—a Vision-Language-Action autonomous-driving foundation model that combines pixel-lev. Article summary: BYD’s first public autonomous-driving foundation-model paper presents HyWorldVLA as a hybrid VLA system: it uses pixel-level reconstruction to preserve scene detail and latent-space prediction to make planning more robus. Topic tags: general, academic, general web, government, education. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
Η BYD παρουσίασε το HyWorldVLA ως ένα Vision-Language-Action (VLA) μοντέλο για αυτόνομη οδήγηση με υβριδικό «μοντέλο κόσμου». Η βασική ιδέα είναι να χρησιμοποιούνται δύο αναπαραστάσεις του δρόμου: λεπτομερείς προβλέψεις σε επίπεδο pixel για ισχυρή οπτική γείωση και συμπιεσμένες latent αναπαραστάσεις για αποδοτικότερη πρόβλεψη και σχεδιασμό τροχιάς. 1
Το πρόβλημα που προσπαθεί να λύσει
Η πρόβλεψη μελλοντικών καρέ σε επίπεδο pixel μπορεί να διατηρεί πολύ λεπτομερή στοιχεία της σκηνής, αλλά είναι υπολογιστικά απαιτητική. Αντίθετα, ένα μοντέλο που λειτουργεί σε latent space προβλέπει πάνω σε συμπιεσμένες αναπαραστάσεις, κάτι που είναι πρακτικότερο για εκτέλεση, αλλά μπορεί να χάσει πληροφορία κρίσιμη για την οδήγηση. 1
Το HyWorldVLA επιχειρεί να μη διαλέξει αποκλειστικά μία από τις δύο προσεγγίσεις. Χρησιμοποιεί την pixel επίβλεψη στην εκπαίδευση ώστε το latent space να παραμένει δεμένο με την πραγματική οπτική σκηνή, ενώ στη φάση λειτουργίας προβλέπει μόνο latent χαρακτηριστικά και τα δίνει σε ένα action expert που παράγει τροχιές. 1
7
Η τριφασική διαδικασία εκπαίδευσης
1. Εκπαίδευση video VAE με γλωσσική καθοδήγηση
Στο πρώτο στάδιο, ένα video variational autoencoder (VAE) συμπιέζει ακολουθίες οδηγικών βίντεο σε latent χαρακτηριστικά. Η γλώσσα χρησιμοποιείται ως σημασιολογικό πλαίσιο κατά την εκπαίδευση του συμπιεστή. 2
5
Ο στόχος δεν είναι απλώς η μικρότερη αναπαράσταση του βίντεο: το latent space πρέπει να κρατά πληροφορία χρήσιμη για μελλοντική πρόβλεψη και, τελικά, για οδήγηση.
2. Υβριδική προεκπαίδευση του μοντέλου κόσμου
Στη συνέχεια, εικόνες, ενέργειες, γλωσσικά στοιχεία και latent χαρακτηριστικά ενοποιούνται σε διακριτά tokens για αυτοπαλίνδρομη πρόβλεψη. Σε αυτό το στάδιο το μοντέλο προβλέπει τα μελλοντικά video latents και ταυτόχρονα ανακατασκευάζει μελλοντικά frames. 1
2
Αυτή είναι η ουσία της διπλής επίβλεψης:
- Η πρόβλεψη/ανακατασκευή pixels διατηρεί λεπτομερή οπτική γείωση.
- Η πρόβλεψη latent αναπαραστάσεων ενθαρρύνει ένα πιο συμπαγές σήμα κατάλληλο για μελλοντικό σχεδιασμό.
Με απλά λόγια, η pixel απώλεια λειτουργεί ως περιορισμός που αποτρέπει το latent μοντέλο από το να συμπιέσει υπερβολικά τη σκηνή και να χάσει κρίσιμες λεπτομέρειες. 1
7
3. Συν-βελτιστοποίηση με action expert
Στην τελική φάση, το μοντέλο κόσμου βελτιστοποιείται μαζί με ένα εξειδικευμένο μοντέλο ενεργειών/τροχιάς. Κατά τη λειτουργία, το σύστημα προβλέπει latent χαρακτηριστικά αντί να παράγει πλήρη frames σε επίπεδο pixel· τα χαρακτηριστικά αυτά τροφοδοτούν το action expert για να δημιουργήσει τροχιές οδήγησης. 1
Αυτός ο διαχωρισμός είναι κρίσιμος για την αποδοτικότητα: η ακριβή pixel επίβλεψη αξιοποιείται για να διαμορφώσει την αναπαράσταση στην εκπαίδευση, χωρίς να επιβάλλει το ίδιο κόστος στην online πρόβλεψη.
Τι έδειξαν τα ablations
Στο NAVSIM v1, το HyWorldVLA ανέφερε 90,59 PDMS, το οποίο η δημοσίευση και οι σχετικές αναφορές περιγράφουν ως κορυφαίο μεταξύ των δημόσιων αποτελεσμάτων εκείνη τη στιγμή. 1
7
Τα πειράματα αφαίρεσης στοιχείων δείχνουν ότι το υβρίδιο δεν είναι απλή προσθήκη χαρακτηριστικών:
- Χωρίς pixel-level πρόβλεψη, το PDMS έπεσε από 90,59 σε 87,50.
7
- Χωρίς latent-space επεξεργασία, έπεσε σε 89,91.
- Χωρίς γλωσσική καθοδήγηση στο latent module, το σκορ μειώθηκε σε 90,35.
20
Τα αποτελέσματα υποστηρίζουν την υπόθεση των ερευνητών ότι η pixel επίβλεψη και η latent πρόβλεψη λύνουν διαφορετικά μέρη του προβλήματος: η πρώτη διατηρεί πιστότητα στη σκηνή, ενώ η δεύτερη επιτρέπει μια πιο οικονομική αναπαράσταση για πρόβλεψη ενεργειών.
Γιατί έχει σημασία η ρύθμιση των απωλειών
Το paper ελέγχει δύο βάρη: το λ1 για την απώλεια πρόβλεψης video tokens και το λ2 για τη συνέπεια της latent αναπαράστασης. 20
Με λ2 σταθερό στο 0,1, η αύξηση του λ1 από 0,1 σε 0,5 βελτίωσε το PDMS από 90,48 σε 90,59. Όταν το λ1 αυξήθηκε σε 1,0, το σκορ έπεσε σε 89,83. 20
Με λ1 σταθερό στο 0,5, η αύξηση του λ2 πάνω από 0,1 μείωσε την επίδοση: στο 0,2 το PDMS ήταν 90,47, και η περαιτέρω αύξηση συνέχισε την πτωτική τάση. 20 Το συμπέρασμα δεν είναι ότι περισσότερη επίβλεψη είναι πάντα καλύτερη. Αντίθετα, το μοντέλο χρειάζεται αρκετό pixel και latent περιορισμό ώστε να διατηρεί χρήσιμη πληροφορία, αλλά όχι τόσο ώστε η αναπαράσταση να γίνεται υπερβολικά άκαμπτη.
Τι μετρά το PDMS στο NAVSIM v1
Το PDMS είναι σύνθετος δείκτης ποιότητας οδήγησης στο NAVSIM. Περιλαμβάνει στοιχεία όπως η αποφυγή συγκρούσεων για τις οποίες ευθύνεται το ego όχημα, η συμμόρφωση με την οδηγίσιμη περιοχή, ο χρόνος έως πιθανή σύγκρουση, η άνεση της κίνησης και η πρόοδος του οχήματος στη διαδρομή. 2
Επομένως, το 90,59 δεν είναι ένας απλός δείκτης αναγνώρισης εικόνας: αποτυπώνει την απόδοση του σχεδιασμού οδήγησης μέσα στο συγκεκριμένο benchmark. Ωστόσο, παραμένει αξιολόγηση σε προσομοιωμένο περιβάλλον και δεν ισοδυναμεί με ανεξάρτητη επιβεβαίωση ασφάλειας ή απόδοσης σε πραγματική κυκλοφορία.
Τι σηματοδοτεί για τη στρατηγική AI της BYD
Η εργασία αποδίδεται στο Automotive New Technology Research Institute της BYD και αποτελεί δημόσια ένδειξη επένδυσης σε εσωτερική έρευνα foundation models για αυτόνομη οδήγηση. 1 Οι αναφορές για σύνδεση της ομάδας με ρομποτική τεχνογνωσία του Harbin Institute of Technology είναι ενδιαφέρουσες, αλλά τα διαθέσιμα πρωτογενή στοιχεία δεν αρκούν για να τεκμηριώσουν το ακαδημαϊκό υπόβαθρο κάθε ερευνητή.
5
Απέναντι σε ανταγωνιστές όπως οι NIO, XPeng και Li Auto, το HyWorldVLA προσφέρει στη BYD μια δημόσια, μετρήσιμη ερευνητική επίδοση σε VLA και world modeling. Αυτό δείχνει ερευνητική ικανότητα—όχι ότι η BYD έχει ήδη αποδεδειγμένο προβάδισμα στην πραγματική αυτόνομη οδήγηση.
Η κλίμακα ανάπτυξης οχημάτων της BYD θα μπορούσε να αποτελέσει πλεονέκτημα μόνο εφόσον η εταιρεία μετατρέψει το ερευνητικό αποτέλεσμα σε ασφαλές, επικυρωμένο και αποδοτικά αναπτυγμένο προϊόν. Το επόμενο ουσιαστικό τεστ δεν είναι ένα ακόμη benchmark, αλλά η αξιόπιστη μετάβαση από το μοντέλο και την προσομοίωση στην οδική λειτουργία.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "HyWorldVLA: η τριφασική προσέγγιση της BYD για αποδοτικότερα μοντέλα αυτόνομης οδήγησης"?
Το HyWorldVLA της BYD πέτυχε 90,59 PDMS στο NAVSIM v1 συνδυάζοντας επίβλεψη σε επίπεδο pixel με πρόβλεψη σε συμπιεσμένο latent space.
What are the key points to validate first?
Το HyWorldVLA της BYD πέτυχε 90,59 PDMS στο NAVSIM v1 συνδυάζοντας επίβλεψη σε επίπεδο pixel με πρόβλεψη σε συμπιεσμένο latent space. Η μέθοδος εκπαιδεύει πρώτα έναν video VAE, έπειτα προεκπαιδεύει από κοινού pixel και latent προβλέψεις, και τέλος συν βελτιστοποιεί το μοντέλο κόσμου με ειδικό μοντέλο ενεργειών που παράγει τροχιές.
What should I do next in practice?
Η αφαίρεση της pixel πρόβλεψης μείωσε το PDMS σε 87,50, ενώ η αφαίρεση της latent επεξεργασίας το μείωσε σε 89,91—ένδειξη ότι τα δύο σήματα λειτουργούν συμπληρωματικά.
Sources
car.tom.com比亚迪推出混合世界模型HyWorldVLA
eu.36kr.comBYD Unveils Its AI Team for the First Time: Boasting Top Harbin Institute of Technology Robotics Technical Genes, Debut Large Model Hits SOTA Level