面向自动驾驶视觉-语言-动作模型的显式几何思维链

基于摘要分析。研究针对自动驾驶视觉-语言-动作（VLA）模型中精确 3D 行动需求与主要在 2D 语义空间进行理解、推理之间的不匹配，提出 GeoCoTDrive，以规划导向的区域定位和局部几何先验支持轨迹生成。 核心流程遵循“先进行 2D 思考，再借助专门的 3D 先验驾驶”：首先定位与决策关键线索对应的 2D 区域，再在这些区域内从几何基础模型采样特征，获取局部 3D 先验；随后将这些局部几何特征交错插入自回归上下文，为轨迹生成提供依据。这里的显式几何思维链是区域定位、几何特征获取与轨迹生成之间的连接过程，不宜仅理解为生成文字推理说明。 为监督这一过程，作者引入 planning-relevant grounding 区域级定位任务，聚焦直接影响自车规划决策的局部空间线索，并构建 PlanningGrounding 数据集。摘要未提供数据规模、标注流程、划分方式、几何基础模型名称及具体训练目标，上述复现条件尚未验证。 作者报告，在多个端到端自动驾驶基准上，GeoCoTDrive 一致改善了安全关键规划表现；摘要未列出基准名称、指标、数值或对照基线，因此无法判断改善幅度及适用边界。实验协议、消融及统计信息尚未验证，尤其需要核对区域定位、3D 特征和上下文注入各自的贡献，以及额外几何模型带来的计算成本。 该工作的主要研究对象是自动驾驶规划，并非 EEG 或 BCI。其局部 3D 场景先验不能直接等同于电极空间信息或神经源定位结果；当前材料不足以建立具体的 EEG 迁移机制，不据此主张 BCI 有效性。相关 EEG 工作尚未检索确认。