VLA modely: od izolovaného robota k týmovému hráči
Vision-Language-Action modely jsou současná špička v end-to-end autonomním řízení. Místo klasické rozdělené architektury — kde zvlášť běží modul pro vnímání okolí, zvlášť predikce chování ostatních účastníků a zvlášť plánovač trasy — VLA model dělá všechno v jednom kroku. Podívá se na obraz z kamery, zpracuje ho přes vizuální enkodér, jazykový model k tomu vygeneruje slovní zdůvodnění svého rozhodnutí, a rovnou vydá pokyn k akci: zatoč, zrychli, brzdi.
Jenže dosavadní VLA systémy — SimLingo, EMMA od Waymo, OpenEMMA nebo DriveVLM — mají zásadní slabinu. Každé auto je v nich izolovaný ostrov. Vidí jen to, co zachytí jeho vlastní kamery a senzory. A v reálném provozu je to málo, zvlášť když vám výhled blokuje náklaďák, mlha, prudký déšť nebo odstavená vozidla.
Právě tady přichází dvojice novinek z CMU Robotics Institute: CMU-Drive — první uzavřený benchmark pro kooperativní autonomní řízení s VLA modely — a V2V-VLA, model, který poprvé do VLA architektury zabudoval komunikaci mezi vozidly přímo v jednom průchodu neuronovou sítí.
CMU-Drive: 16 autonomních aut v jedné simulaci, a stačí jedna GPU
Benchmark staví na populárním simulátoru CARLA a databázi scénářů Bench2Drive, která obsahuje 44 typů rizikových situací od chodců vystupujících zpoza aut po sanitky na červenou. Autoři každý scénář rozšířili tak, že v něm současně jede 2 až 16 spolupracujících autonomních vozidel, přičemž průměr je 6,56 vozidla na trasu. Pro srovnání — konkurenční InterDrive má průměr 3,8 vozidla, MDrive 3,36.
To je důležité, protože 6–8 aut v rušné křižovatce odpovídá běžnému provozu. Méně než 4 auta prostě nevygenerují dost interakcí, aby se smysluplně testovala spolupráce.
A tady je jedna pěkná technická vychytávka: celý CMU-Drive benchmark běží na jediné GPU. InterDrive i MDrive jich pro totéž potřebují tři. Rozdíl je v architektuře — autoři napsali evaluační kód tak, že všechna vozidla běží efektivně v jednom výpočetním grafu, místo aby pro každé spouštěli samostatnou instanci modelu.
Pro hodnocení používají metriku Driving Score (průměrné skóre dokončení trasy × penalizace za přestupky) a Success Rate (procento tras projetých bez jediné chyby).
V2V-VLA: jak auto pozná, kdy se má zeptat souseda
Model si zaslouží podrobnější rozbor, protože jeho architektura je elegantní. Každé autonomní vozidlo (říkejme mu ego vozidlo) má ve V2V-VLA dva zdroje vizuálních dat: vlastní přední kameru a sdílenou BEV mapu okolí (bird's-eye-view occupancy map) od vybraného komunikačního partnera.
Jak to funguje v praxi: obě auta si vytvoří vlastní mapu okolí z ptačí perspektivy z dat svých kamer. Komunikační partner pošle svoji mapu ego vozidlu, to ji geometricky transformuje podle vzájemné polohy („takhle vypadá svět z mého pohledu, promítnutý do tvé souřadnicové soustavy“) a obě mapy sloučí logickým OR — co vidí alespoň jedno auto, to je známé.
Tím vznikne „nadlidské“ vidění, kdy auto prakticky vidí i za roh, protože to za něj udělal kolega vepředu. Klíčová inovace je v tom, že model se sám rozhoduje, kdy a s kým komunikovat. V jazykovém výstupu kromě akce („zpomal“, „zatoč doleva“) a zdůvodnění generuje i komunikační politiku — „v příštím kroku se zeptej auta X, ono vidí cyklistu, kterého já nedokážu detekovat“.
Pod kapotou běží Qwen2 jako jazykový model, InternViT pro kódování obrazu a UniAD pro tvorbu BEV map. Trénink proběhl na 180 tisících vzorcích z rozšířených tréninkových tras, za použití 8× NVIDIA H100 po dobu 48 hodin.
Čísla: o kolik je spolupráce lepší?
Vědci porovnali V2V-VLA proti SimLingo — špičkovému single-agent VLA modelu, který kooperaci vůbec neřeší. Výsledky na 220 trasách CMU-Drive:
| Model | Kooperace | Driving Score | Success Rate |
|---|---|---|---|
| SimLingo | Ne | 56,32 | 30,91 % |
| V2V-VLA | Ano | 63,67 | 34,55 % |
Rozdíl 7,35 bodu v Driving Score a 3,64 procentního bodu v úspěšnosti nemusí znít dramaticky, ale v kontextu autonomního řízení je každé procento drahé. Navíc jde o první model svého druhu — nemá se od čeho učit, trénuje na datech z rule-based experta (PDM-lite), který sice jezdí bezchybně, ale právě proto neposkytuje dostatek „špatných“ příkladů, ze kterých by se model mohl učit, co nedělat.
Ještě zajímavější je pohled na jednotlivé scénáře. Největší problémy dělají situace jako odbočování vlevo na neřízené křižovatce do jedoucího provozu — tam selhává i kooperativní model. Což dává smysl: i pro člověka je to jeden z nejtěžších manévrů.
Proč na tom záleží — a co tomu ještě chybí
Směr, který CMU naznačuje, je racionální. Dnešní asistenční systémy v autech (od adaptivního tempomatu po nouzové brzdění) fungují v izolaci — vozidlo spoléhá jen na vlastní radar, kamery a lidar. Jenže výrobci jako Qualcomm, Bosch nebo Continental už roky vyvíjejí V2X komunikační jednotky, které umožňují autům vyměňovat si data o poloze, rychlosti a překážkách. V Evropě to podporuje i směrnice o C-ITS a výzkumné projekty financované z Horizon Europe.
A teď si představte, že místo předávání surových GPS souřadnic si auta vymění to, co skutečně vidí — zpracovaný obraz okolí z kamer. To je princip V2V-VLA. Praktický příklad z článku: za deště jedoucí auto špatně vidí cyklistu vepředu — jeho obraz je rozmazaný deštěm. Ale auto o pár desítek metrů blíž ho vidí ostře. Komunikací mezi vozidly první auto včas zpomalí.
Pro český automobilový průmysl — ať už jde o Škodu Auto nebo dodavatele jako Valeo, ZF či Continental s vývojovými centry v Česku — je tento směr relevantní. Kooperativní autonomní řízení se netýká jen plně autonomních vozidel úrovně 4–5. I u asistenčních systémů úrovně 2–3 může sdílení obrazových dat dramaticky zvednout bezpečnost.
Ale nepředbíhejme. Současný model běží čistě v simulátoru CARLA. Žádné reálné vozidlo, žádné testy na silnici. A 34,55% úspěšnost — tedy že dvě třetiny tras skončí chybou — jasně říká, že jde o výzkumný základ, ne o produkt. Autoři slibují zveřejnit kód, benchmark i natrénované váhy modelu, což je skvělá zpráva pro open-source komunitu.
Kontext: kam směřuje VLA pro autonomní řízení
VLA modely pro řízení jsou horké téma posledních dvou let. Vedle akademických projektů jako DriveVLM, SimLingo nebo AutoVLA do nich investují i velcí hráči — Waymo (EMMA), Tesla (svůj end-to-end stack pro FSD) a Wayve (LINGO, GAIA). Co je spojuje: vizuální vstup → jazykový model → akce.
CMU-Drive a V2V-VLA přidávají do tohoto obrázku novou dimenzi — kooperaci. A dělají to chytře: místo aby spoléhali na vícenásobná kola vyjednávání mezi LLM (což dělal dřívější CoLMDriver a bylo to pomalé), V2V-VLA rozhodne všechno v jednom průchodu. Akci, zdůvodnění, i koho se zeptat příště.
To je zásadní pro reálné nasazení — autonomní vozidlo jedoucí padesátkou musí reagovat v řádu stovek milisekund. Vícenásobné průchody jazykovým modelem by byly příliš pomalé.
Limitem prozatím zůstává samotný tréninkový přístup. Data pocházejí od rule-based experta, který nechybuje — ideální učitel, ale chudý zdroj negativních příkladů. Další výzkum bude muset řešit, jak model naučit zotavit se z vlastních chyb, ideálně přes reinforcement learning nebo učení z lidských demonstrací.
Co je to VLA model a jak se liší od běžného asistenčního systému v autě?
VLA (Vision-Language-Action) model zpracovává obraz z kamery, jazykově zdůvodňuje své rozhodnutí a rovnou vydává řídicí pokyny — vše v jednom neuronovém modelu. Běžné asistenční systémy (např. adaptivní tempomat) používají oddělené moduly pro detekci objektů, predikci a plánování. VLA přístup je flexibilnější a dokáže reagovat na situace, které nebyly explicitně naprogramované.
Kdy uvidíme kooperativní autonomní vozidla na českých silnicích?
V dohledné době ne. CMU-Drive a V2V-VLA jsou čistě výzkumné projekty běžící v simulátoru. Úspěšnost 34,55 % znamená, že dvě třetiny tras skončí chybou. Než se podobná technologie dostane do provozu, musí projít roky testování a splnit přísné bezpečnostní standardy. Nejbližší praktické využití lze čekat u V2X komunikace pro asistenční systémy (sdílení polohy a rychlosti), nikoliv u plně autonomního řízení.
Je výzkum CMU-Drive a V2V-VLA open-source?
Podle článku publikovaného 7. srpna 2026 autoři plánují zveřejnit kód, benchmark i natrénované váhy modelu. V době psaní článku ještě nebyly dostupné, ale odkaz na GitHub repozitář by se měl objevit na stránce arXiv (arxiv.org/abs/2608.07621).
