本文介绍了多个自动驾驶视觉问答（VQA）任务和模型，如NuScenes-QA、Talk2BEV和DriveLM。研究表明，结合多模态架构和图结构推理的模型在驾驶场景中表现优越，提升了推理能力和响应效率。新提出的MiniDrive框架有效解决了计算开销和多图像处理问题，为自动驾驶系统提供了高效解决方案。

神经符号AI综述探讨图结构推理方法分类，包括逻辑嵌入、约束嵌入和规则学习。Logic-LM结合大语言模型与符号求解提升逻辑推理，VAI框架融入人类价值观，LTN支持可微分一阶逻辑学习推理。研究指出大语言模型推理不足，需结合知识图谱等快速逻辑，实现可信可解释AI。

本研究将视觉-语言模型整合到驾驶系统中，以增强泛化能力和与用户互动。通过建立图结构推理的问答对模型，提出了Graph VQA任务。实验证明Graph VQA为驾驶场景的推理提供了简单和有原则的框架。希望这项工作能为将VLMs应用于自动驾驶提供新的启示。

本文研究了将视觉-语言模型整合到驾驶系统中的方法，以增强泛化能力和与用户的互动。通过建立图结构推理的问答对模型，提出了Graph VQA任务。实验证明Graph VQA为驾驶场景的推理提供了简单和有原则的框架。希望这项工作能为将VLMs应用于自动驾驶提供新的启示。