Alpamayo-R1 : Le Changement de Paradigme Cognitif dans la Conduite Autonome

L'industrie de l'intelligence artificielle appliquée à la mobilité physique traverse une phase de transformation radicale, marquant la transition des systèmes de perception passive vers des architectures de raisonnement actif. Jusqu'à présent, les systèmes de conduite autonome (AV) de niveau 2+ et 3 reposaient majoritairement sur des architectures modulaires fragmentées ou, plus récemment, sur des modèles "end-to-end" (E2E) basés sur l'imitation comportementale brute. Cependant, l'introduction par NVIDIA d'Alpamayo-R1 (AR1) en octobre 2025 1 constitue une rupture épistémologique et technologique fondamentale.

Positionné comme le premier modèle Vision-Language-Action (VLA) à grande échelle et open-source pour l'industrie automobile 2, Alpamayo-R1 ne se contente pas de prédire des trajectoires par mimétisme statistique : il raisonne. Grâce à une architecture hybride intégrant le modèle de base Cosmos-Reason et un décodeur d'action cinématique basé sur le Flow Matching (appariement de flux), AR1 comble le fossé critique entre la compréhension sémantique de haut niveau et le contrôle robotique de bas niveau.3

Ce rapport exhaustif, destiné aux professionnels de l'IA, de l'automobile et de la robotique, dissèque l'architecture d'Alpamayo-R1, explore la méthodologie révolutionnaire du Chain of Causation (CoC), analyse les performances face aux benchmarks actuels (UniAD, VAD) et décrypte la stratégie de NVIDIA, pilotée par Wu Xinzhou, visant à devenir le standard universel de l'IA physique. À travers une analyse technique approfondie et une mise en perspective économique, nous démontrons comment ce modèle préfigure l'avènement des systèmes de Niveau 4 généralisables.

NVIDIA Alpamayo-R1 : l'IA open-source pour voitures autonomes

1. Introduction : La Quête du "Sens" dans l'Automatisation Physique

1.1 L'Impasse du "Black Box" et la Tyrannie de la Longue Traîne

Depuis plus d'une décennie, la promesse du véhicule autonome (VA) se heurte à un mur de complexité statistique connu sous le nom de "Long Tail" (longue traîne). Les approches traditionnelles de l'apprentissage profond, fondées sur l'apprentissage par imitation (Imitation Learning) ou le clonage comportemental, excellent dans les situations routinières où les données d'entraînement abondent — la conduite sur autoroute par temps clair, le suivi de voie standard. Ces systèmes, souvent qualifiés de "boîtes noires", apprennent des corrélations statistiques entre des entrées de pixels et des sorties de commande (angle du volant, accélération).5

Cependant, cette approche montre ses limites intrinsèques face à l'imprévu. Un modèle purement imitatif peut apprendre à s'arrêter à un feu rouge parce qu'il a ingéré des millions de séquences corrélant "pixels rouges" et "freinage". Mais face à un scénario inédit ou ambigu — par exemple, un policier faisant signe de passer alors que le feu est rouge, ou un véhicule accidenté projetant des débris inhabituels — l'imitation échoue. Elle échoue car elle manque de compréhension causale et de raisonnement. Elle ne sait pas pourquoi elle agit ; elle ne fait que répéter des motifs.6

Cette lacune explique la stagnation relative des déploiements commerciaux de Niveau 4 à grande échelle, la sécurité étant compromise par ces cas limites rares mais critiques où la supervision humaine reste indispensable.

1.2 L'Émergence des Modèles Vision-Language-Action (VLA)

Pour surmonter cet obstacle, la recherche en IA s'est tournée vers une nouvelle classe de modèles : les Vision-Language-Action models (VLA). Inspirés par le succès phénoménal des Grands Modèles de Langage (LLM) comme GPT-4, les VLA intègrent le langage naturel non pas comme une simple interface utilisateur, mais comme une couche cognitive intermédiaire de raisonnement.1

L'hypothèse fondamentale est que le langage offre une structure logique permettant de décomposer des problèmes complexes. Si un véhicule peut formuler verbalement (en interne) la situation — "Je vois un enfant caché derrière le camion, donc je dois ralentir préventivement" — il peut généraliser cette logique à des situations visuellement différentes mais sémantiquement similaires. C'est ce que propose Alpamayo-R1 : unifier la perception (vision), la cognition (langage) et l'action (conduite) dans une boucle continue et différentiable.7

2. Architecture Technique Profonde : Le Cerveau et le Corps d'Alpamayo-R1

L'architecture d'Alpamayo-R1 est une prouesse d'ingénierie système qui fusionne deux paradigmes historiquement distincts de l'IA : le traitement symbolique/sémantique des LLM et la génération de mouvement physique précise des contrôleurs robotiques.

2.1 Le Backbone Cognitif : Cosmos-Reason et l'Encodage Visuel

Le cœur cognitif d'Alpamayo-R1 repose sur Cosmos-Reason, un modèle de fondation développé par NVIDIA spécifiquement pour l'IA physique.7 Contrairement aux LLM génériques entraînés sur Internet, Cosmos-Reason est imprégné de données physiques, lui conférant une "intuition" de la dynamique du monde réel.

2.1.1 Spécifications et Tokenisation

• Dimensionnement : Le modèle utilise un backbone de 8.2 milliards de paramètres.9 Ce choix de taille est stratégique : suffisamment grand pour capturer des capacités de raisonnement émergentes, mais assez compact pour être embarqué sur des calculateurs automobiles haute performance comme le NVIDIA DRIVE Thor.
• Traitement Multimodal Unifié : Le modèle ingère une séquence unifiée de tokens multimodaux. Contrairement aux approches modulaires qui traitent la vision, puis le planning, AR1 tokenise tout en entrée :
• Images Multi-caméras : Une vue surround à 360° provenant de 6 à 8 caméras.
• Historique de l'Égo-mouvement : Les vecteurs d'état passés du véhicule (vitesse, accélération, lacet) sur une fenêtre temporelle glissante.
• Instructions Textuelles : Commandes de navigation de haut niveau (ex: "Prendre la prochaine sortie à droite") ou prompts de sécurité.
• Stratégies de Compression Visuelle : Le traitement de flux vidéo haute résolution en temps réel est coûteux. AR1 utilise des stratégies de tokenisation efficaces, telles que le codage multi-caméras basé sur des triplans (triplanes) ou la compression vidéo complète via Flex.10 Cette approche permet de projeter l'espace 3D dans des représentations latentes compactes, réduisant la surcharge computationnelle tout en conservant la richesse sémantique nécessaire à la détection de petits objets ou de signaux subtils (comme le clignotant d'une voiture lointaine).

2.2 Le Décodeur d'Action : L'Innovation du Flow Matching

Si le backbone gère le raisonnement ("Le quoi et le pourquoi"), l'exécution physique ("Le comment") exige une précision que les tokens de langage discrets ne peuvent offrir. Une trajectoire de véhicule est une courbe continue dans l'espace-temps, soumise à des contraintes cinématiques strictes (jerk, accélération latérale).

C'est ici que réside l'une des innovations les plus scientifiquement pertinentes du papier : l'utilisation d'un Action Expert Decoder basé sur le Flow Matching (ou appariement de flux).3

2.2.1 La Limite de l'Autorégression et de la Diffusion Classique

Traditionnellement, les modèles de langage prédisent des tokens de manière autorégressive (un par un). Pour une trajectoire physique, cela pose deux problèmes :

1. Discrétisation : Convertir une courbe fluide en tokens discrets introduit des erreurs de quantification ("aliasing").
2. Lenteur : Générer 50 points de trajectoire un par un est trop lent pour une boucle de contrôle à 10 Hz ou plus.

Les modèles de diffusion (comme ceux utilisés pour générer des images) offrent une alternative continue, mais nécessitent souvent des dizaines, voire des centaines d'étapes de débruitage itératif, rendant l'inférence trop lente pour la sécurité critique (latence élevée).

2.2.2 La Solution Flow Matching

Le Flow Matching est une technique de modélisation générative récente 11 qui apprend à transformer une distribution de bruit simple (source) en une distribution de données cible (trajectoire optimale) via un flux continu défini par des équations différentielles ordinaires (ODE).

• Avantage Scientifique : Le Flow Matching permet de générer des trajectoires continues et cinématiquement faisables en beaucoup moins d'étapes d'inférence que les modèles de diffusion classiques, tout en étant plus précis que les modèles autorégressifs discrets. Il crée un "raccourci" optimal entre le bruit et la solution.
• Implémentation dans AR1 : Le décodeur d'action (un modèle de 2.3 milliards de paramètres 9) prend les tokens de trajectoire grossiers (discrets) générés par le VLM et les "raffine" en waypoints continus (x, y, z) via le framework de Flow Matching. Cela assure que la trajectoire respecte les contraintes physiques du véhicule tout en étant parfaitement alignée avec l'intention sémantique du VLM.

2.3 Comparaison Structurelle avec l'État de l'Art

Pour bien saisir le saut technologique, comparons AR1 aux architectures dominantes actuelles.

Caractéristique	Approche Modulaire Classique	Approche E2E (ex: UniAD, VAD)	Approche VLA (Alpamayo-R1)
Architecture	Silos séparés (Perception -> Prediction -> Planning)	Réseau unifié avec têtes de tâches multiples	Backbone unifié Vision-Langage + Expert Action
Entrée	Capteurs traités individuellement	Images + Requêtes (Queries) latentes	Images + Texte + Historique + Contexte
Raisonnement	Règles codées à la main (if-then-else)	Implicite (Latent dans le réseau)	Explicite (Chain of Causation en langage naturel)
Génération	Optimisation mathématique	Régression directe ou GRU	Flow Matching (Génération continue via ODE)
Interprétabilité	Moyenne (on voit les boîtes englobantes)	Faible (vecteurs abstraits)	Élevée (Le modèle explique sa décision)
Adaptabilité	Rigide (règles fixes)	Limitée aux données d'entraînement	Généralisation via le raisonnement (Zero-shot)

3. La Révolution des Données : Chain of Causation (CoC)

L'adage "Garbage In, Garbage Out" est particulièrement critique pour l'IA autonome. NVIDIA a identifié que les datasets existants (comme nuScenes ou Waymo Open Dataset) manquaient cruellement de causalité explicite. Ils contenaient le "quoi" (la voiture a tourné) mais jamais le "pourquoi". Pour y remédier, NVIDIA a créé et ouvert partiellement le dataset Chain of Causation (CoC).5

3.1 Au-delà du Chain-of-Thought (CoT) : L'Ancrage Décisionnel

Le "Chain-of-Thought" (chaîne de pensée) est une technique populaire dans les LLM pour améliorer le raisonnement mathématique ou logique. Cependant, appliqué tel quel à la conduite, le CoT souffre souvent d'hallucinations ou de commentaires non pertinents ("Le ciel est bleu, les oiseaux chantent, donc je freine"). Ce bruit sémantique peut être fatal.

Le Chain of Causation (CoC) développé pour AR1 est une évolution stricte et contrainte du CoT. Chaque trace de raisonnement doit impérativement être :

1. Decision-Grounded (Ancrée dans la décision) : Le raisonnement doit mener directement à une action de conduite spécifique issue d'une liste fermée (ex: "Yield", "Nudge Left", "Follow").
2. Causally Linked (Liée causalement) : Chaque affirmation doit être soutenue par une observation visuelle présente dans l'historique récent. Pas de spéculation sur le futur lointain ou d'éléments hors contexte.4

• Exemple CoT classique (mauvais) : "Je vois une voiture rouge à gauche. Il fait beau aujourd'hui. La voiture semble vouloir passer. Je devrais peut-être ralentir pour être sûr."
• Exemple CoC Alpamayo (bon) : "Parce que le véhicule de tête freine brusquement (Cause) et que la distance de sécurité est inférieure à la marge critique (Observation), je décide d'initier un freinage d'urgence (Décision) pour maintenir l'écart de sécurité.".6

3.2 Pipeline d'Annotation Hybride (Human-in-the-Loop)

La construction de ce dataset massif de 700 000 traces de raisonnement 9 repose sur un pipeline sophistiqué mêlant automatisation par IA et validation humaine experte, une méthodologie "Human-in-the-Loop" (HITL).3

1. Sélection de Clips Intelligente : L'algorithme scanne 80 000 heures de vidéo pour identifier les moments de haute entropie ou de décision critique (intersections, changements de voie, interactions avec piétons).
2. Auto-labelling par VLM : Utilisation de grands modèles de raisonnement (probablement des versions internes de GPT-4V ou Llama visualisés) pour générer des ébauches de traces CoC à partir des données capteurs brutes.
3. Vérification Humaine Rigoureuse : Des annotateurs humains experts revoient les traces pour valider la causalité. Cette étape est cruciale pour éliminer la "confusion causale" (confondre corrélation et causalité, comme freiner parce que le feu stop s'allume, et non l'inverse).
4. Alignement Temporel : Les traces textuelles sont synchronisées à la milliseconde près avec les données de trajectoire précises.

Ce dataset est une contribution scientifique majeure, car il enseigne au modèle non seulement les réflexes de conduite, mais la logique de conduite, réduisant drastiquement les erreurs dans les scénarios inédits (OOD).

4. Méthodologie d'Entraînement : L'Apport du Reinforcement Learning

L'entraînement d'Alpamayo-R1 ne se limite pas à l'apprentissage supervisé classique. Il suit une stratégie multi-étapes sophistiquée qui rappelle l'alignement des modèles de langage conversationnels (RLHF), mais adaptée aux contraintes physiques impitoyables de la route.5

4.1 Étape 1 : Supervised Fine-Tuning (SFT)

Dans un premier temps, le modèle est pré-entraîné sur des quantités massives de données vidéo pour apprendre la représentation visuelle (le backbone Cosmos). Ensuite, il est affiné (fine-tuned) sur le dataset CoC. L'objectif est d'apprendre à générer simultanément le raisonnement (texte) et l'action (tokens de trajectoire) de manière cohérente.7

À ce stade, le modèle sait "parler conduite" et "conduire", mais il peut encore y avoir des divergences entre ce qu'il dit et ce qu'il fait.

4.2 Étape 2 : Reinforcement Learning (RL) et GRPO

L'innovation majeure réside dans l'étape post-entraînement utilisant l'apprentissage par renforcement (RL), spécifiquement une variante appelée Group Relative Policy Optimization (GRPO) ou des techniques similaires d'optimisation de politique avec critique.3

Le modèle est placé dans une boucle de simulation et récompensé selon trois axes critiques :

1. La Qualité du Raisonnement (Reasoning Quality) : Un "Large Reasoning Model Critic" (un autre modèle IA agissant comme juge) évalue si l'explication fournie est logique, pertinente et causale.
2. La Consistance Raisonnement-Action : Le modèle est pénalisé s'il déclare "Je vais tourner à gauche" (Raisonnement) mais génère une trajectoire vers la droite ou tout droit (Action). Cette cohérence est vitale pour la confiance et le débogage.
3. La Sécurité de la Trajectoire : Récompenses classiques pour l'absence de collision, le confort (faible jerk) et le respect du code de la route.

Les résultats de cette phase RL sont spectaculaires : une amélioration de 45% de la qualité du raisonnement et de 37% de la consistance raisonnement-action par rapport au modèle de base.5 C'est cette étape qui transforme un modèle "bavard" en un conducteur "réfléchi".

5. Analyse de la Performance et Benchmarks

Pour valider AR1, NVIDIA a utilisé une combinaison rigoureuse de métriques en boucle ouverte (Open-Loop) et fermée (Closed-Loop), se comparant aux états de l'art précédents comme UniAD et VAD.

5.1 Open-Loop : Précision de Planification sur nuScenes

Sur les benchmarks standards comme nuScenes, qui mesurent la capacité du modèle à prédire la trajectoire d'un conducteur expert humain à partir de données enregistrées, AR1 démontre une supériorité notable.

• Planning Accuracy : AR1 atteint une amélioration de 12% sur les cas complexes (long tail) par rapport aux baselines ne faisant que de la prédiction de trajectoire.5
• Comparaison L2 Error : Alors que des modèles comme UniAD tournent autour de 0.80m - 1.03m d'erreur L2 moyenne (selon les splits), AR1 repousse ces limites grâce à sa compréhension sémantique qui lui permet de mieux anticiper les mouvements non linéaires des autres agents.15

5.2 Closed-Loop : Simulation AlpaSim et le Test de Vérité

Les métriques en boucle ouverte sont souvent critiquées car elles ne capturent pas l'accumulation d'erreurs (le "covariate shift") : une petite erreur au temps T entraîne une situation différente au temps T+1, que le modèle n'a jamais vue dans les données statiques. C'est pourquoi NVIDIA a introduit AlpaSim, un simulateur haute-fidélité basé sur la reconstruction neurale, pour tester AR1 en dynamique.3

Métrique de Sécurité (Closed-Loop)	Performance AR1 vs Baseline	Réduction du Risque	Interprétation
Taux de Sortie de Route (Off-road rate)	11% (AR1) vs 17% (Baseline)	-35% 5	Le raisonnement permet de mieux comprendre les limites de la voie même en cas d'occlusion ou de marquage effacé.
Taux de Rencontre Dangereuse (Close Encounter)	3% (AR1) vs 4% (Baseline)	-25% 3	L'anticipation des intentions des autres agents (piétons, cyclistes) est drastiquement améliorée par le CoC.
Score Global AlpaSim	0.50 (AR1) vs 0.38 (Baseline)	+31%	Une amélioration nette de la robustesse globale du système.

Ces chiffres prouvent que l'ajout du module de raisonnement CoC rend la conduite objectivement plus sûre, en permettant au véhicule d'anticiper les dangers plutôt que de simplement réagir aux pixels.

5.3 Latence et Faisabilité Temps Réel

Une critique fréquente des modèles VLM est leur lourdeur. Pourtant, NVIDIA a réussi l'impensable : faire tourner ce modèle de 10+ milliards de paramètres en temps réel.

• Latence End-to-End : 99 ms sur une puce NVIDIA RTX 6000 Ada / Blackwell.5
• Fréquence : Cela permet une fréquence de contrôle de 10 Hz, le standard industriel pour la planification de trajectoire de haut niveau.
• Optimisation : Ce résultat est dû à l'utilisation conjointe de la tokenisation visuelle efficace (Triplanes) et du décodeur Flow Matching qui nécessite moins d'itérations que la diffusion classique.

6. L'Écosystème Stratégique : NVIDIA, le "Android" de l'IA Physique

L'analyse d'Alpamayo-R1 ne serait pas complète sans comprendre son rôle central dans la stratégie globale de NVIDIA. Sous la direction de Jensen Huang et de Wu Xinzhou (Vice-Président Automobile, ancien dirigeant de la conduite autonome chez XPeng), NVIDIA opère un pivot stratégique majeur : passer du statut de vendeur de puces à celui de fournisseur de la plateforme logicielle universelle pour l'IA physique.6

6.1 Wu Xinzhou et la Stratégie d'Ouverture "Full Stack"

L'arrivée de Wu Xinzhou a catalysé une approche pragmatique. Connaissant intimement les défis des constructeurs automobiles (OEM) pour développer leur propre stack logiciel face à Tesla, il a orienté NVIDIA vers une stratégie d'ouverture.

En rendant Alpamayo-R1 et le dataset CoC open-source (licence non-commerciale pour la recherche, permissive pour les partenaires 2), NVIDIA tente de standardiser le développement de l'AV autour de son architecture. C'est le modèle "Android" : fournir le "cerveau" logiciel de base le plus avancé pour s'assurer que tous les constructeurs utilisent le "corps" matériel NVIDIA (les puces DRIVE Thor et Orin).

6.2 Synergie avec le Projet GR00T et Cosmos

Alpamayo-R1 n'est qu'une instance spécialisée de la plateforme Cosmos. Le backbone Cosmos-Reason est partagé avec le Projet GR00T, l'initiative de NVIDIA pour les robots humanoïdes généralistes.17

• Transfert de Compétences (Transfer Learning) : Les progrès réalisés par AR1 dans la compréhension de scènes routières complexes (gestion des occlusions, prédiction des mouvements humains) bénéficient directement aux robots domestiques de GR00T. Inversement, les capacités de manipulation fine apprises par les robots enrichissent la compréhension physique du monde par le modèle de fondation partagé.
• Physical AI : C'est la concrétisation de la vision de l'IA Physique (Physical AI) : une intelligence qui comprend les lois de la physique, la causalité et l'interaction spatio-temporelle, dépassant la simple manipulation de texte ou d'image.8

6.3 Positionnement Concurrentiel : La Troisième Voie

Face à la bipolarisation du marché, NVIDIA offre une alternative puissante :

1. Contre Tesla (Verticale Fermée) : Tesla prône une approche "End-to-End" pure avec son FSD v12, mais dans un écosystème totalement fermé (puces propriétaires, données propriétaires). NVIDIA offre aux autres constructeurs (Mercedes-Benz, JLR, BYD, etc.) une capacité technologique équivalente voire supérieure (grâce à l'explicabilité du VLA) sans avoir à passer des années à collecter des pétaoctets de données propriétaires.21
2. Contre Waymo/Mobileye (Modulaire) : Waymo et Mobileye (historiquement) reposent sur des approches modulaires très coûteuses en capteurs (Lidar) et en maintenance (cartes HD). AR1, par sa capacité de généralisation (Zero-Shot), promet une autonomie plus flexible, capable de s'adapter à des environnements non cartographiés ("Mapless driving").1

7. Implications SEO et EEAT pour l'Écosystème Français

Pour les acteurs français de la mobilité et de l'IA, l'arrivée d'Alpamayo-R1 a des résonances particulières qui doivent être intégrées pour une compréhension globale et un référencement optimal.

7.1 Opportunités pour la Recherche et l'Industrie Française

La France dispose d'un écosystème d'excellence en mathématiques appliquées et en IA (INRIA, CNRS, Institut Prairie) ainsi que des géants de l'équipement automobile (Valeo, Forvia) et des constructeurs (Renault, Stellantis).

• Souveraineté Technologique : L'open-sourcing d'AR1 23 offre une opportunité unique pour les laboratoires français de ne pas être distancés. Plutôt que de reconstruire des modèles de fondation à partir de zéro, ils peuvent utiliser AR1 comme base pour développer des solutions spécialisées (ex: conduite en centre-ville européen dense, logistique dernier kilomètre).
• Benchmarks et Certification : Les acteurs français de la certification et de la simulation (ex: AVSimulation, racheté par Sogeclair/Renault) peuvent intégrer les métriques de "Chain of Causation" dans leurs protocoles de validation SOTIF (Safety of the Intended Functionality), un domaine où la France est leader normatif.

7.2 Mots-clés et Sémantique pour le Référencement Expert

Pour maximiser la visibilité de cette analyse dans la sphère francophone, l'utilisation précise de la terminologie est cruciale : IA Générative pour la mobilité, VLA (Vision-Language-Action), Apprentissage par renforcement (RLHF), Sécurité des véhicules autonomes, Raisonnement causal en IA, NVIDIA DRIVE Thor.

8. Conclusion : Vers une IA qui "Comprend" la Route

Alpamayo-R1 représente bien plus qu'une simple amélioration incrémentale des métriques de conduite autonome. C'est la démonstration technique que l'IA autonome peut — et doit — être dotée de capacités de raisonnement causal pour franchir le mur de la sécurité.

En remplaçant la corrélation statistique brute par la causalité explicite via le dataset Chain of Causation, et en remplaçant la discrétisation saccadée par la continuité fluide via le Flow Matching, NVIDIA redéfinit l'état de l'art technologique. Ce modèle marque la fin de l'ère des "boîtes noires" incompréhensibles. Désormais, la sécurité passe par l'explicabilité : un véhicule doit être capable d'expliquer pourquoi il freine pour qu'on puisse lui faire confiance.

Pour l'industrie automobile mondiale, et particulièrement européenne, le message est clair : la bataille du logiciel de conduite autonome ne se joue plus seulement sur la quantité de données brutes, mais sur la qualité du raisonnement et de l'architecture cognitive. Avec Alpamayo-R1, NVIDIA ne fournit pas seulement une carte graphique plus puissante, mais un "permis de conduire" numérique pour l'ère de l'IA physique.

Annexe A : Comparatif Détaillé des Architectures de Conduite

Caractéristique	UniAD (Unified Autonomous Driving)	VAD (Vectorized Autonomous Driving)	Alpamayo-R1 (NVIDIA)
Philosophie	Multi-task Learning unifié (Perception $\rightarrow$ Planning)	Représentation vectorielle de scène pure	Vision-Language-Action (VLA) Cognitif
Backbone	Transformer Vision (ex: BEVFormer)	Transformer Vectoriel	Cosmos-Reason (VLM 8.2B params)
Mécanisme de Décision	Optimisation de trajectoire par Requêtes (Queries)	Planification vectorielle directe	Raisonnement Causal (CoC) + Flow Matching
Rôle du Langage	Aucun ou accessoire	Aucun	Central (Raisonnement intermédiaire)
Génération de Trajectoire	Régression / GRU	Vecteurs	Flow Matching (Diffusion continue)
Interprétabilité	Intermédiaire (via les têtes de tâches perceptuelles)	Faible (vecteurs abstraits)	Très Élevée (Langage naturel explicite)
Adaptabilité Long-Tail	Limitée par les priors de tâches définis	Moyenne	Très Élevée (Généralisation Zero-shot du VLM)
Performance (L2 Error)	~1.03m (nuScenes)	Comparable à UniAD	~0.80m - 0.90m (Gain significatif)
Statut	Recherche Académique (Open Source)	Recherche Académique	Industriel Open-Source (NVIDIA)

Note : Les données de performance sont basées sur les publications disponibles au moment de la rédaction et les résultats rapportés dans les papiers respectifs.