理想的VLA司机大模型9月开始推送，所有的AD Max车型都可以升级(Thor-U平台与Orin-X平台)。之前的端到端的模仿学习本身不具备深度的逻辑思维能力，
会导致三个问题：1、违反常理的行为；2、开车不够聪明，做决策时没有深度思考；3、安全感不足，不能根据场景做出预防性判断。为了解决这些问题，理想引入VLM视觉语言模型，希望将VLM的深度决策能力赋能给端到端模型，但VLM和端到端之间的沟通壁垒，以及VLM较慢的推理速度，都是端到端+VLM现存的问题，因此理想推出VLA司机大模型。
那么什么是VLA？
“V”代表模型对空间的理解能力，例如远距空间感知和全局语义理解能力。各类传感器（主要是视觉传感器）以及导航信息输入模型，让模型具备精细化感知和理解空间的能力。
“L”指的是用语言生成对空间的理解，模型把在空间内感知到的所有内容，用高度压缩的编码表达出来，输出决策。模型不仅可以在内部通过CoT思维链生成决策，人类也可以在外界直接给模型决策。因为有语言智能的存在，因此VLA天生就能听得懂人类语言。此外，VLA经过联合训练后，推理速度达到10赫兹及以上。
“A”根据对场景高度压缩的描述进行推理，并生成最终的行为。与端到端最大的不同是，VLA使用了Diffusion扩散模型规划轨迹。传统的轨迹规划是将轨迹点连成一条折线，再用数学方式人为拟合成光滑曲线；Diffusion扩散模型直接可以生成平滑的行车轨迹，并且Diffusion可以根据决策生成多种行车轨迹，让车辆完成更多驾驶的可能性（驾驶技巧）。
学会了吗[doge]感觉得拍个长视频解释什么是VLA
