今日从 arXiv 订阅中筛选 10 篇论文。
⚡ Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs
真方法：发现 AD VLM 的 CoT 标注暴露 GT 未来轨迹会造成锚定偏差（trajectory anchoring bias），提出 AD-MCQ 选择题范式 + DEFT-RLVR 延迟暴露做可验证的规划推理。
⚡ MoRAL: Sensor-Grounded BEV Reasoning for Compact VLMs toward Edge-Oriented Autonomous Driving
真方法：两阶段微调把 2B 紧凑 VLM 训练成"读物理编码 BEV（LiDAR 距离色带+雷达多普勒楔形）"的驾驶推理模型，8GB 显卡 42 tok/s 部署，紧急制动召回 10.8%→47.8%。
⚡ A Forward-Inverse Dynamic Game Framework for Enhanced Multi-Agent Trajectory Planning
真方法：KL 正则化动态博弈 + 状态相关权重，在未知对手目标与有界理性下求解反馈纳什均衡，用于多智能体轨迹规划。
⚡ Faster-WAM: Do World Action Models Need Deep Action Modules?
真方法（效率）：提出 DoT 视频中心设计原则，动作头只挂 1 层 Transformer 到 30 层视频骨干，66.5ms/次推理，比 Fast-WAM 快 3.2 倍且泛化更好。
⚡ SpatioLM: Towards General Physical Spatial Intelligence in Vision-Language Models
真方法：参数高效 SpatioLM 不加 3D 先验/外部编码器提升 VLM 空间智能，15 个数据集 SOTA，可平滑接 VLA 做操作。
⚡ DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing
真方法（仿真）：解耦 3DGS 把场景拆成静态背景+可操控动态智能体，配压缩/配准/重光照三模块，为 E2E 自动驾驶提供闭环传感器仿真测试平台。
⚡ PhyCheck: Fine-Grained Evidence-Grounded Dataset for Physical Law Understanding in Video-LLMs
数据贡献：细粒度物理规律理解数据集，粗/细粒度 + 因果诊断子集，揭示 Video-LLM 只会识别表面不一致、无法结合因果条件。
⚡ CockpitHAT: Dependency-Graph-Driven Hierarchical Attribution for Embodied Multi-Agent Cockpits
方法+基准：依赖图驱动分层归因，多通道证据 + ISO 26262 ASIL 安全加权，定位座舱多智能体系统"正确性崩塌"的过程级故障。
⚡ CoNav-UAV: Cooperative Dual-Altitude Aerial Navigation via Stackelberg Learning
真方法：把双高度 UAV 视觉语言导航建模为 Stackelberg 博弈，leader 记忆式 ICL 推理 + follower DAgger 蒸馏，成功率高 30.8 点。
⚡ Look Where It Matters: Adaptive Visual Refinement for Vision-Language-Action Models
真方法：VLA 视觉编码器插入 register tokens 修复 attention 伪影，配不确定性门控局部高分辨率精化，LIBERO 94.2%→98.4%。
自动生成于 2026-08-04 · 基于 arXiv Daily Digest