NuScenes-SpatialQA：首个基于真实数据集的驾驶场景空间推理问答基准，全面评估VLMs...

主要观点总结

本文介绍了NuScenes-SpatialQA基准测试，该测试旨在评估视觉语言模型在自动驾驶中的空间理解和推理能力。作者对比了多个视觉语言模型在该基准测试上的表现，并发现现有模型在空间理解和推理方面存在显著挑战。文章还探讨了模型的局限性，并提出了未来工作的方向。

关键观点总结

关键观点1: NuScenes-SpatialQA基准测试的提出

该基准测试是首个用于评估自动驾驶中视觉语言模型空间理解和推理能力的测试，基于NuScenes数据集构建。

关键观点2: 视觉语言模型的表现

大多数视觉语言模型在定性空间任务上表现尚可，但在定量推理方面存在显著困难。空间增强型VLMs在定性理解上有所提升，但在定量问答方面并未显现明显优势。此外，VLMs在情境推理上的表现优于直接几何推理。

关键观点3: 研究的局限性及未来工作方向

NuScenes-SpatialQA基准测试主要基于城市驾驶场景，尚未涵盖所有可能的驾驶条件。未来工作将探索更广泛的驾驶环境，并研究提升VLM空间推理性能的方法。