论文
GeoCoTDrive：为自动驾驶视觉语言动作模型引入几何推理证据
Explicit Geometric Chain-of-Thought for Vision-Language-Action in Autonomous Driving
摘要
视觉-语言-动作（VLA）模型已成为自动驾驶的一个有前途的范例。然而，现有的 VLA 模型仍然存在根本性的不匹配：驾驶动作需要精确的 3D 几何线索，而视觉语言理解和推理主要在 2D 语义空间中进行。在本文中，我们提出了 GeoCoTDrive，这是一种明确的几何思想链框架，以面向规划的方式为几何奠定基础。 GeoCoTDrive 遵循 2D 优先思考、专用 3D 先验驱动范例。它首先对与决策关键线索相对应的 2D 区域进行Grounding，然后通过从Grounding区域内的几何基础模型中采样特征来检索局部 3D 先验。这些局部几何特征被交织到自回归上下文中以支持轨迹生成。为了监督这一过程，我们引入了与规划相关的Grounding，这是一种新的区域级Grounding任务，重点关注直接影响自我规划决策的局部空间线索，并构建了 PlanningGrounding 数据集以赋予 VLA 规划导向的Grounding能力。跨多个端到端自动驾驶基准的实验表明，GeoCoTDrive 持续提高了安全关键规划性能，证明了基于 VLA 的规划的显式几何思维链过程的有效性。
