教导视觉 - 语言 - 动作模型看什么以及看向何处

视觉 - 语言 - 动作（VLA）模型是端到端自动驾驶的新范式，但现有训练过度依赖文本中心的推理数据，导致 learned 表征缺乏可靠轨迹预测所需的空间依赖性。本文提出 DriveTeach-VLA 框架，显式教导模型“看什么”与“看向何处”。通过驾驶感知视觉蒸馏注入感知先验，并利用二维轨迹引导提示提供与可行轨迹对齐的空间条件。该愿景引导学习流程在 NAVSIM 和 nuScenes 数据集上实现了最先进性能。