盲点速度：自动驾驶 VLM 动态感知的可解释性分析

视觉语言模型越来越多地用于自动驾驶系统，但其从视觉输入恢复动态物理状态的能力仍然没有得到充分表征。我们研究速度理解作为跨三个任务的受控诊断：周围智能体速度、当前自我速度和短期未来自我速度建议。在 nuScenes 上，我们使用多个输入和输出公式评估开放式通用和 PhysicalAI VLM，以及面向驾驶的 Alpamayo-1.5 视觉-语言-动作模型。我们将言语评价与时间扰动、反事实的自我速度提示和隐藏表征的线性探测结合起来。这些任务表现出不同的故障模式。周围Agent速度以Agent特定形式弱编码，而当前自我速度通常可以在内部访问，但很难用语言表达：连续探测实现 4.7-5.8 km/h MAE，而语言输出的 MAE 为 10.2-16.8 km/h。多个帧为单帧输入提供不一致的语言增益，并且帧顺序很少被利用。在非优化的 QLoRA 下，特定任务的适应改善了与任务相关的潜在速度表示和口头读出，但连续的周围Agent速度估计仍然很弱，而大多数未来速度增益在帧洗牌中幸存下来，表明时间基础有限。驾驶专门的 Alpamayo-1.5 显示出对周围智能体和未来自我速度的更强的潜在表征，而当前自我速度的可解码性是可比的，并且仍然存在大量的探测语言差距。因此，驾驶专业化可以增强运动表征，但不能保证场景和自我状态之间更强的编码或可靠的读出。结果表明，合理的规划输出并不一定意味着潜在动态的可靠恢复或暂时基础。