VITAL：从视觉运动到精准动作的驾驶动作分词器

VITAL（Vision-Induced Tokens for Action Learning）是一种将视觉运动作为主要预测目标的动作分词器，通过视觉导出的运动骨架加紧凑残差编码轨迹误差，用 flow matching 从当前图像、自车状态和导航指令联合预测两部分，推理时无需生成未来图像。