Больше, чем встретит Глаз? Неохваченность систем планирования в контексте моделей вождения с помощью учебных программ

arXiv: 2510,04532v2 Annuate Type: заменить резюме: Vision-Language Model (VLM) движущие факторы обещают объясняемую автономию между конечными языками, сначала производя естественноязычные рассуждения и затем прогнозируя планирование траектории. Вместе с тем вопрос о том, является ли планирование причинно-следственным фактором такой аргументации, остается критическим, но неподтвержденным предположением. Для этого мы построим "Драйв-Минд", крупномасштабную программу "Визуальный ответ на вопросы" с помощью цепочки затраченных средств, автоматически генерируемой из nuplan. Наш процесс получения данных преобразует датчики и аннотации в структурированные вводимые данные и, что крайне важно, отделяет приводы от сигналов, которые можно было бы использовать для очистки информации. Используя DriveMind, мы обучаем представителей VLM с помощью контролируемого Fine-Toning и Group Rorate Policy Оптимизации и оцениваем их с помощью метрик nuPlan. К сожалению, наши результаты свидетельствуют о последовательной причинно-следственной размежевании в планировании рассуждений: устранение эго/навигационных приводов приводит к большим сокращениям плановни