延迟暴露未来轨迹以支持自动驾驶VLM的可验证推理

最近的视觉-语言-行动（VLA）模型在自主驾驶（AD）中越来越多地利用链式思考（CoT）监督来增强其视觉-语言模型（VLM）组件的推理能力，但现有的标注管道通常暴露教师模型到已记录的地面真值（GT）未来轨迹。我们实验证明，这种轨迹锚定偏见：教师模型基于已记录的未来轨迹进行理性化，而不是从场景证据中推断决策，导致生成的因果性忠实的CoTs显著减少，特别是在因果性挑战性场景中，且产生更严重的幻觉。去除GT轨迹消除了这个捷径，但开放的未来轨迹生成纠缠了高层决策与精确几何合成和低层动态。为了使基于轨迹的驾驶决策可验证，而无需要求开放的未来轨迹合成，我们引入了自主驾驶多项选择问题（AD-MCQ），将规划视为从明确的轨迹候选中选择。进一步，我们提出了一种延迟暴露未来轨迹的方法（DEFT-RLVR），将未来的轨迹从决策点锚定转换为决策后的验证目标。实验结果表明，DEFT-RLVR在AD推理中改进了AD推理，同时保留或甚至增强了通用视觉能力。通过使用VLM-只有推理和通过候选构造可控的难度，AD-MCQ为未来的可验证AD推理研究提供了一种灵活、可扩展和可扩展的基础。