传感器扰动揭示驾驶VLA解释与轨迹可靠性的关联

可解释的自动驾驶规划器不仅依赖于生成解释，还依赖于这些解释在现实世界的传感器退化情况下仍然可靠。在本文中，我们提出了自动驾驶中视觉-语言-动作 (VLA) 鲁棒性的受控扰动研究，在 8 个传感器扰动（四种强度的高斯噪声、两类极端照明和两档雾；${\sim}18{,}000$ 推理试验）下评估了 1,996 个场景中的 Alpamayo R1（10B 参数）。我们发现推理一致性是轨迹可靠性的高保真度指标：当因果链 (CoC) 解释在扰动后发生变化时，轨迹偏差会飙升 $5.3{\times}$（21.8m vs 4.1m），其中跨攻击类型 $r\!=\!0.99$，每个样本 $r_{pb}\!=\!0.53$（Cohen 的$d\!=\!1.12$)。受控消融提供的证据表明，在匹配的推理设置下，启用 CoC 生成与提高轨迹精度（各种条件下平均 11.8%；$p < 0.0001$）相关。在测试的噪声范围内 ($σ\in \{10, 30, 50, 70\}$)，退化近似线性 ($R^2\!=\!0.957$)，而标准输入预处理防御仅提供边际缓解。总之，这些结果将 CoC 一致性确立为规划安全性的定量代理，并激发基于推理的运行时监控以实现更安全的 VLA 部署。