面向自动驾驶的多模态大模型在 “推理链” 上多以文字或符号为中介，易造成空间 - 时间关系模糊与细粒度信息丢失。FSDrive（FutureSightDrive）提出 “时空视觉 CoT”（Spatio-Temporal Chain-of-Thought），让模型直接 “以图思考”，用统一的未来图像帧作为中间推理步骤，联合未来场景与感知结果进行可视化推理。该方法在不改动原有 MLLM 架构的前提下，通过 “词表扩展 + 自回归视觉生成” 激活图像生成能力，并以 “由易到难” 的渐进式视觉 CoT 注入物理先验。模型既充当 “世界模型” 预测未来，又作为 “逆动力学模型” 进行轨迹规划。

• 项目主页：https://miv-xjtu.github.io/FSDrive.github.io/
• 论文链地址：https://arxiv.org/abs/2505.17685
• 代码地址：https://github.com/MIV-XJTU/FSDrive

多模态大语言模型（MLLM）凭借世界知识与可解释推理能力，正加速进入端到端 “视觉 - 语言 - 动作”（VLA）自动驾驶范式。但现有做法多依赖离散文本 CoT（如规则描述、坐标），本质上是对视觉信息的高度符号压缩，存在跨模态语义鸿沟与时空关系表征不足的问题。

核心问题：面向与物理世界深度交互的自动驾驶，思考过程更应接近 “模拟与想象” 的视觉推演，而非纯符号逻辑？

FSDrive 提出 “时空视觉 CoT”，将未来场景与感知结果（车道线、3D 检测框）统一生成到一张未来图像帧中，作为中间推理步骤。一方面用普通未来帧承载时序演化，另一方面用 “红色车道线与 3D 框” 提供可驾驶区域与关键动态物体的空间先验，从而在视觉域内完成因果推断与决策规划。

本文关键创新：

1) 统一的 “视觉中介” 替代文字 / 表格中介，消除跨模态语义鸿沟；

2) 以极小代价在现成 MLLM 上 “激活” 图像生成能力：仅通过扩展词表引入 VQ 类视觉 token，无需改架构大改或海量训练；

3) 渐进式视觉 CoT：先生成 “物理约束” 的粗粒度感知图（车道线 / 3D 框），再生成细节丰富的未来帧，显式注入物理合理性。

价值：保持端到端简洁链路与可解释可视化推理，同时可大规模利用无标注视频数据学习世界演化规律。

方法

FSDrive 整体框架：

• 输入：环视图像与任务指令；输出：统一未来帧（含红色车道线 / 3D 框叠加）作为时空 CoT，以及最终轨迹。
• 双角色：模型先作为 “世界模型” 生成未来统一帧（时空 CoT），再作为 “逆动力学模型” 依据当前观测与未来预测进行轨迹规划。

统一预训练范式：理解 + 生成

• 理解保持：沿用 VQA 任务（如 OmniDrive-nuScenes/DriveLM 风格），维持原 MLLM 的语义理解能力。
• 生成激活：不改 MLLM 结构，仅将 VQ-VAE/MoVQGAN 等的视觉 token 并入 LLM 词表，扩展到 “图文共享词汇”。随后以自回归下一 token 预测方式直接生成图像 token，并由 detokenizer 还原像素。
• 数据高效：相较部分统一理解 - 生成方法，所需数据量约为其 0.3%，且不需从零训练或复杂解码器融合。

渐进式视觉 CoT（物理先验→细节补全）

• 先推理未来车道线（Ql）：指示可行驶区域，注入静态物理约束；
• 再推理未来 3D 检测（Qd）：刻画关键动态体的运动模式，注入动态约束；
• 最后在上述约束下生成完整未来帧（Qf）：补全细节、提升真实性与一致性。
• 训练阶段采用该 “由易到难” 顺序，推断阶段将三者整合为 “统一未来帧” 以提高效率。

时空视觉 CoT 用于规划

• 将 “普通未来帧（时间演化）+ 红色车道线 / 3D 框（空间结构）” 合成为统一图像中介 QCoT，直接作为中间推理步骤输入规划头。模型在视觉域完成因果链条的传递，显著减少因符号化导致的语义缺失与二义性。
• 表达式：基于 It 与 QCoT 自回归生成未来轨迹 Wt，兼容导航指令与自车状态（可选）。

训练策略

• 初始化：可从任一现成 MLLM（如 Qwen2-VL-2B、LLaVA-7B）出发；冻结视觉编码器，微调 LLM 主体。
• 阶段一（统一预训练）：混合训练 VQA、未来帧生成与渐进式感知生成（车道线 / 3D 框），大量使用 nuScenes 无标注视频用于未来帧预测。
• 阶段二（SFT）：联合优化场景理解（DriveLM GVQA）与轨迹规划（nuScenes，含统一时空 CoT 作为中间步骤），通过不同提示词调用任务专属推理。
• 实现要点：MoVQGAN 视觉码本并入词表，detokenizer 回像素；预训练 32 轮，SFT 12 轮；仅 LLM 全量微调。

实验

端到端轨迹规划

相比同时具备视觉生成的 Doe-1（Lumina-mGPT-7B），FSDrive 在不使用自车状态时取得更低 L2 与更低碰撞：

• ST-P3 平均 L2：0.53 vs 0.70；碰撞率：0.19 vs 0.21（基于 Qwen2-VL-2B）。
• UniAD 平均 L2：0.96 vs 1.26；碰撞率：0.40 vs 0.53。

与 LLaVA-7B 系列下的近期方法（如 OminiDrive、RDA-Driver）相比，FSDrive 在相同设置下展现出强竞争力，说明框架可广泛迁移到主流 MLLM。

未来帧生成质量（FID）

在 128×192 分辨率下，FSDrive（自回归）FID=10.1，优于多数扩散式世界模型（如 GEM 10.5）并显著优于 Doe-1（15.9），兼顾实时性与质量。

场景理解（DriveLM GVQA）

Final Score 0.57，超过 OminiDrive（0.56）、Cube-LLM 等；多项语言生成指标与多选准确率（0.72）均表现稳健，表明 “理解 + 生成” 统一预训练的有效性。

定性分析

在错误导航指令下，FSDrive 可通过 “观察 + 未来预测” 的视觉推理纠偏路径，降低潜在碰撞；体现其 “逆动力学” 能力与可解释性。

总结

本文提出 FSDrive：以 “统一的时空视觉 CoT” 作为中间推理，打通未来场景预测与感知结果的视觉表达，让 VLA 在视觉域内完成因果推理与轨迹规划。

方法无需改动原 MLLM 结构，通过扩展词表与自回归训练即可激活图像生成；配合 “由易到难” 的渐进式视觉 CoT，显式注入物理约束，提升未来预测的真实性与一致性。

在规划、生成与理解三大任务的系统验证显示：FSDrive 以更低的数据 / 算力成本实现强竞争力甚至 SOTA 的开放回路表现，并显著降低碰撞风险，推动自动驾驶从 “符号推理” 走向 “视觉推理”。

局限与展望：当前为实时性考虑主要生成前视未来帧，未来可扩展至环视统一预测；同时，随模型落地需重视安全、隐私与监管等伦理合规问题，确保技术向善与可靠部署。