随时间从提示到路面：智能体式场景到规划推理中的时间锚定

近来利用大语言模型（LLM）与大多模态模型（LMM）组合来支持自动驾驶车辆（AV）高层场景理解与规划的尝试，仍将时间视为次要属性。这种时间锚定的缺失导致对连续动作的推理出现不一致，同时损害安全性与可解释性。本工作探究智能体间通信中的时间条件化能否在不引入语义或逻辑一致性退化的前提下保持或增强连贯性。为此，我们提出三种时间整合程度递增的规划器架构，并在BDD-X数据集的精选子集上用语义、句法与逻辑指标进行评估。结果显示，时间条件化虽然重塑了推理风格，但在标准NLP正确性指标上未带来统计显著的提升。然而，定性分析揭示了Sentinel中的预测性危险推理、稳定的纠错行为与策略性分化。这些发现澄清了基于提示的时间锚定的局限，并建立了首个面向时间性场景到规划推理的实证基准。