FutureSightDrive: 利用时空思维链进行视觉推理的自动驾驶
TLDR
FSDrive利用视觉时空思维链作为世界模型生成未来驾驶场景，提升轨迹精度并减少碰撞。
评分理由
The paper introduces a novel visual CoT that bridges the modality gap between perception and planning, with strong empirical results on nuScenes and NAVSIM. However, it lacks discussion of limitations and real-world deployment challenges, and the reliance on synthetic future frames may limit generalizability.
Read-first 评分解释
综合优先阅读分 66.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 41。
研究版图角色
前沿论文复现锚点
排序敏感性
稳定性：volatile；排名波动范围：232。
关键词评分
深度分析
创新点
- 视觉时空思维链（CoT），在单一未来帧中表示空间结构和时间演化，用于自动驾驶
- 统一框架，同一VLA模型既作为世界模型（生成未来帧）又作为逆动力学模型（规划轨迹）
- 渐进式课程，先生成结构先验（车道分隔线、3D框）再渲染完整场景，以强制执行物理规律
- 扩展模型词汇表以包含视觉标记，并联合优化语义理解（VQA）和未来帧预测
方法
FSDrive首先作为世界模型运行，生成一个统一的未来帧，该帧结合了预测的背景与显式的、物理上合理的先验信息（如未来车道分隔线和3D物体框）。这一想象场景作为视觉时空思维链（CoT）。随后，同一VLA作为逆动力学模型，基于当前观测和这一视觉思维链规划轨迹。统一的预训练范式扩展了模型的词汇表以包含视觉标记，并联合优化语义理解（VQA）和未来帧预测，使用渐进式课程先生成结构先验再渲染完整场景。
关键结果
在nuScenes和NAVSIM上的评估表明，FSDrive提高了轨迹精度并减少了碰撞。它还在轻量级自回归模型的视频生成上取得了具有竞争力的FID，并在DriveLM上推进了场景理解。