跳到正文
arXiv · 机器人与计算机视觉· Xingtai Gui, Yucheng Zhou, Dongqian Guo, Jiahao Gong, Feiyang Tan, Jianbing Shen·· 2026-10-08精选AI 评分82

GeoCoTDrive:面向自动驾驶的显式几何思维链视觉语言动作模型

Explicit Geometric Chain-of-Thought for Vision-Language-Action in Autonomous Driving

AI 导读

针对现有 VLA 模型在自动驾驶中存在 2D 语义理解与 3D 几何需求不匹配的问题,本文提出 GeoCoTDrive 框架。该框架遵循“先以 2D 思考、再以专用 3D 先验驱动”的范式,首先定位决策关键区域的 2D 特征,随后从几何基础模型中检索局部化 3D 先验并交织进自回归上下文以支持轨迹生成。

推荐理由

提出 GeoCoTDrive 框架,通过显式几何思维链将 2D 视觉理解与 3D 规划先验结合,在多基准测试中提升端到端自动驾驶的安全性。

来源:arXiv · 机器人与计算机视觉 · arxiv.org