DriveStack-VLA：基于 BEV 的 DeepStack 视觉 - 语言 - 动作模型的渲染教师对齐

现有视觉 - 语言 - 动作（VLA）驾驶模型缺乏面向驾驶的空间智能，难以支持精确的运动规划。本文提出 DriveStack-VLA 框架，通过双视觉建模组件增强空间 grounding：将鸟瞰图表示注入大语言模型解码器，并提出“渲染教师对齐”以统一真实图像与光栅化图像的感知焦点。此外，引入基于头的自批判模块对采样轨迹进行排序并条件优化最佳轨迹。实验表明，该模型在 NAVSIM 和 Bench2Drive 基准上取得了优异的闭环驾驶性能。