论文
https://arxiv.org/pdf/2610.20609

Abstract

We proposeSafeDriveVLA , the first driving VLA that

• (1) explicitly predicts a three-level navigation-compliance mode to decouple conflict reasoning from action generation,
• (2) uses navigation-conditioned world model dreaming to inform this prediction.

结合 SafeDriveVLA 的整体架构图（Figure 3）以及该论文的设计核心，Three-Level Navigation-Compliance Mode（三级导航合规模式） 是模型用来解决“导航/语言指令与当前物理场景发生冲突”的关键控制机制。

在传统 VLA（Vision-Language-Action）模型中，如果导航指令要求“直行”，但前方突然有行人和红灯，盲目听从指令就会导致碰撞。SafeDriveVLA 引入这三种模式，本质上是给系统装上了“安全意图过滤器”与“分层安全兜底策略”。

结合架构图中 driving mode（strict | cautious | fallback） 模块，我们可以从以下几个维度来深入理解：

---

1. 为什么需要“三级”合规模式？

在推理阶段，SafeDriveVLA 首先利用冻结的世界模型（Latent World Model）基于当前的导航指令进行未来推演（Dreaming）。世界模型预测出未来动态后，输出的 World Tokens 会连同视觉特征和导航信号一起喂给 VLM（视觉语言模型）。

VLM 会在生成具体的控制 Token（Action Tokens）之前，先预测出一个 mode token：

输入 (Visual + Text + Dreamed World Tokens) 
   ──> 预测 Mode Token [ Strict / Cautious / Fallback ] 
   ──> 根据 Mode 执行/微调/接管具体的路径与速度控制

---

2. 三种模式的具体含义与行为逻辑

根据架构图中 driving mode 包含的三个分支（棕色模块）：

🟢 1. 严格执行模式（strict / Strict Compliance）

• 适用场景：当前路况良好，导航指令（如“前方左转”、“保持车速”）在物理上完全安全且可行。
• 模型行为：模型高度信任导航指令，直接将导航锚点（Navigation-Conditioned Action Anchor）转换为流畅的规划路径和目标速度，实现高效驾驶。

🟡 2. 谨慎/减速避让模式（cautious / Cautious Adaptation）

• 适用场景：导航指令方向基本正确，但存在局部潜在冲突或障碍物（例如：指令要求“左转”，但对向有直行车正在接近；或前方车流较缓）。
• 模型行为：模型保留导航的总体方向（横向路径不变或小幅偏向），但主动调低纵向目标速度（Longitudinal Target Speed），表现出“慢速试探”、“礼譲等待”或“跟随避让”的谨慎驾驶策略。

🔴 3. 兜底/安全接管模式（fallback / Non-Compliant Safety Fallback）

• 适用场景：发生了严重的导航-场景冲突（Navigation-Scene Conflict）。如果强制执行导航指令，将极大概率发生碰撞（例如：导航要求“加速超车/直行”，但前方有突发横穿的行人、障碍物或红灯）。
• 模型行为：模型彻底解耦/摒弃不安全的导航指令，触发最高优先级的安全防线。控制权转交给强行刹停（Hard Braking）、紧急避障或在原地等待的安全策略，避免盲从危险指令。

---

3. 在架构图中的实现细节

在 Figure 3 的右侧 SafeDriveVLA 结构中：

1. 输入端融合：token interleave 模块将 text（导航指令）、visual（图像编码）、以及由世界模型预测出来的 world（未来隐空间 Token）进行交错融合。

2. 分类输出 Mode Token：VLM 在输出控制决策时，首要输出的就是 driving mode 节点（包含 strict、cautious、fallback 三个离散分类）。

3. 指导下游控制头：

• 预测出的 Mode 直接约束与指导后端的 lateral control head（横向 PID 路径生成）以及 codebook decoding（纵向目标速度解码）。

• 这种设计保证了从“意图推理（Mode）”到“底层控制（Path & Speed）”的层级化解耦。

---

总结

Three-Level Navigation-Compliance Mode 的本质就是自动驾驶系统的“安全决策分级”：

• strict（听话）：路况安全，完全听从导航。

• cautious（减速试探）：有小风险，保持方向但减速观望。

• fallback（抗命/兜底）：指令危险，拒绝执行并强制安全避险。

这种分级机制让 SafeDriveVLA 既保留了 VLA 模型“懂人类自然语言/导航指令”的灵活性，又克服了传统模型“缺乏安全常识、盲从指令”的致命缺陷。