Matteo Cercola, Katie Z Luo, Simone Formentin, Marco Pavone · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28184 · open-access PDF
Los modelos de conducción con visión-lenguaje-acción aumentada por razonamiento (VLA) pueden percibir y razonar sobre los peligros críticos para la seguridad, pero no pueden traducir esa evidencia en acciones seguras. Caracterizamos este fracaso como una brecha de vinculación de la percepción-acción: la información de peligro está disponible dentro del modelo, pero ejerce un control insuficiente sobre la generación de trayectoria. Usando contratiempos simulados y reproducción de conducción registrada, mostramos que los peligros en el camino son en realidad codificados en la representación visual, pero los planes longitudinales están dominados por la historia de la velocidad del ego y solo responden de manera débil a la proximidad del peligro o a
Machine translation (Meta M2M100); the English original follows.
Reasoning-augmented vision-language-action (VLA) driving models can perceive and reason about safety-critical hazards yet fail to translate that evidence into safe actions. We characterize this failure as a perception-action binding gap: hazard information is available inside the model but exerts insufficient control over trajectory generation. Using matched simulated counterfactuals and logged driving replay, we show that in-path hazards are actually encoded in the visual representation, but longitudinal plans are dominated by ego-speed history and respond only weakly to hazard proximity or t
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28184, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange