[ECCV 2026][自动驾驶][自车运动理解 / 物理一致性 / 视觉语言模型 / 评测基准 / 视频问答] EgoDyn-Bench 用确定性 oracle 把连续的自车运动学映射成离散的运动概念，将「自车运动理解」形式化为 3 秒片段的语义视频问答基准，对 20+ 个视觉基础模型（闭源 MLLM、开源 VLM、驾驶 VLA）做大规模拟真审计，发现它们普遍存在「感知瓶颈」——有物理逻辑却无法把它落到视觉观测上，甚至打不过经典几何基线；而一旦显式给出轨迹文本，性能大幅回升，暴露出自车运动逻辑几乎完全来自语言模态、视觉贡献近乎为零的功能解耦。

标签：ECCV 2026 · 自动驾驶 · 自车运动理解 / 物理一致性 / 视觉语言模型 / 评测基准 / 视频问答

EgoDyn-Bench: Evaluating Ego-Motion Understanding in Vision-Centric Foundation Models for Autonomous Driving¶

会议: ECCV 2026
论文: ECCV 原文
代码: https://github.com/TUM-AVS/EgoDyn-Bench
领域: 自动驾驶
关键词: 自车运动理解 / 物理一致性 / 视觉语言模型 / 评测基准 / 视频问答

一句话总结¶

EgoDyn-Bench 用确定性 oracle 把连续的自车运动学映射成离散的运动概念，将「自车运动理解」形式化为 3 秒片段的语义视频问答基准，对 20+ 个视觉基础模型（闭源 MLLM、开源 VLM、驾驶 VLA）做大规模拟真审计，发现它们普遍存在「感知瓶颈」——有物理逻辑却无法把它落到视觉观测上，甚至打不过经典几何基线；而一旦显式给出轨迹文本，性能大幅回升，暴露出自车运动逻辑几乎完全来自语言模态、视觉贡献近乎为零的功能解耦。

研究背景与动机¶

经典自动驾驶系统把自车运动显式建模为可估计的物理状态量：速度、加速度、横摆角速度——这些表示不是可有可无的辅助信息，而是保证感知、规划、控制与车辆底层动力学保持一致的根基。近几年视觉中心的基础模型（尤其是 VLM）提出了另一条路线：直接从视觉观测里做高层推理与规划，显式自车状态表示通常被去掉，运动只能从图像序列中隐式推断。这引出一个根本问题：这类模型究竟形成了物理自洽的自车运动理解，还是它们的视觉推理与车辆动力学其实是脱钩的？

现有评测体系无法回答这个问题，而且裂隙沿着一条很清晰的线裂开。经典侧（光流、视觉里程计、ADE/FDE 位移指标）给出严格的几何跟踪，但完全没有语义，不知道"这段运动在概念上是什么"；基础模型侧（DriveLM、Reason2Drive 的结构化决策推理，Ego3D-Bench、RADAR 的外部物体空间关系，DriveBench、QuantiPhy、Morpheus 的通用物理审计）虽然评了高层推理，却从不对照自车自身的运动学状态——高层语义判断是否与车自己的运动一致，整条轴上没有任何评测。结果是模型可能靠虚假的视觉相关性拿到高分，而不是真的懂运动学，这对下游泛化与安全是实打实的风险。

这件事现在才可做的使能条件有两个：一是 nuScenes 这类带同步运动学日志的真实数据，加上 CARLA + CommonRoad 场景库，可以用仿真精准补齐真实日志里稀缺的高动态工况；二是可以用「确定性 oracle」从可测量的运动学直接导出标注，而不是依赖主观人工打标，从而把模型的内部物理逻辑与其视觉感知解耦开单独诊断。本文的核心 idea 是把自车运动理解从"回归数值"改写为"语义问答"，用隐藏的运动学真值经确定性 oracle 生成离散运动概念标签，再用一套硬布尔物理约束衡量模型答案的内部一致性，从而把"感知失败"与"推理失败"分离开。

方法详解¶

整体框架¶

EgoDyn-Bench 由三部分组成：任务形式化（把视觉输入映射到语义运动概念）、数据集（真实 + 增广的驾驶序列）、可复现的标注管线（从物理信号导出真值）。整体的输入输出可以一句话概括：模型拿到一段 3 秒的视觉观测序列 \(\mathcal{O}=\{I_0,\dots,I_N\}\) 和一句关于车辆运动的自然语言提问 \(P\)，要输出一个从预定义答案空间（二选一或多选）里选出的语义回答 \(\hat{R}\)；与此同时，一段被严格扣留、模型看不到的物理状态序列 \(\mathcal{S}\)（速度、加速度、加加速度、横摆角速度、航向角）经确定性 oracle 映射出标准答案 \(R^*\)，用于判分。

固定 3 秒窗口（\(\tau=3\,\text{s}\)）的选择是有理由的：它既长到让一个典型 maneuver 展开成可观测的时空变化，又短到能隔离出单一的语义行为、避免多个行为混在一起，同时在这个时长内传感器漂移可忽略。论文给的实验用 3 秒片段，但形式化本身对时间跨度是开放的。整条流程、从数据到判分，见下图。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["驾驶序列<br/>nuScenes 真实 + CARLA 合成"] --> B["混合数据集构建<br/>四阶段动态均衡 + 风格迁移"]
    B --> C["语义抽象与确定性 oracle<br/>连续运动学 → 离散运动概念"]
    C --> D["双输入设置与轨迹编码消融<br/>纯视觉 vs. 视觉 + 动力学"]
    D --> E["WPCR 物理一致性诊断<br/>答对与自洽分开评"]

关键设计¶

1. 混合数据集构建：用仿真补齐真实驾驶日志的动态盲区

真实数据足够"真"，但动力学分布严重偏斜——nuScenes 这类日志天然以低动态的例行驾驶为主，紧急制动、高侧向加速度这类最有诊断价值的工况反而稀缺。这意味着只用真实数据评测，无法区分"模型不会"和"数据里根本没有这种运动"。为此论文设计了一条四阶段的整理管线：先做动态刻画，量化真实日志的低动态偏置到底有多严重；再做动态挖掘，直接从 nuScenes 里把稀有但信息量大的 maneuver 捞出来；对剩余仍欠代表的区域（紧急制动、高侧向加速度等）用定向增广，在 CARLA 里以 CommonRoad 场景驱动、配合可适配的运动规划器合成动力学多样的轨迹；最后所有序列都要人工校验运动信号与标注规则。最终得到 1000 段均衡的 3 秒场景，真实与仿真各 500 段。

仿真数据带来视觉域差，这里论文做了一个刻意的取舍：用 NVIDIA Cosmos Transfer 2 对 CARLA 场景做光度风格迁移，但优先级明确放在"保住几何与运动线索"而不是"视觉上像真的"，因为基准评的是运动理解而非光度保真度。这个取舍是否成立由几何基线跨域验证——如果光学基线在真实与风格迁移序列上表现一致，就说明合成数据上仍能考出自车运动理解（见 5.3 节）。数据集构建的效果在原文图 2 里用两组对照呈现：CARLA 派生的场景明显扩展了状态空间覆盖，正样本标签比例也被拉平，纠正了 nuScenes 的低动态偏置。

2. 语义抽象与确定性 oracle：把连续运动学压成可判分的离散概念

如果让模型直接回归速度、加速度的数值，评测会陷入两难：回归误差既难解释又歧义（"差 0.5 m/s²"说明模型懂不懂运动？），而且数值精度与"是否理解运动概念"是两件事。本文的做法是把物理状态序列 \(\mathcal{S}\) 经一个确定性 oracle 映射为离散语义标签：

\[\mathcal{F}_\theta(\mathcal{O},P)\rightarrow\hat{R},\qquad \mathcal{G}(\mathcal{S},P)\rightarrow R^*\]

oracle 采用确定性阈值方案：阈值在数据集分布上校准，并与汽车运动学文献交叉核实以保证物理合理性；更关键的是，阈值只供 oracle 使用，绝不透露给被评模型——模型必须纯粹从视觉观测中推断出语义运动概念，这就把"读到标签"这条捷径堵死了。阈值可调也意味着语义定义能适配新领域或特定研究需求，同时论文用统一乘因子 \(\alpha\in[0.5,1.5]\) 扰动所有阈值做敏感性分析，模型排名在 Kendall's \(\tau\) 下保持 \(\tau>0.9\)，说明结论不依赖某一组阈值的具体取值。

标注空间覆盖 14 类问题，统一放进一个 prompt 模板，分两个互补的推理维度：一是直接动力学，探问瞬时或聚合的运动属性，如速度区间、制动强度、侧向加速度、行驶平顺性；二是时序比较，要求模型跨片段推理事件的先后顺序或共现关系（例如 brake-then-turn、stop-and-go 这类复合行为）。判分用平衡准确率（各类召回率的平均）与 Macro-F1，而不是原始准确率，因为基准虽然按问题类别做了均衡，模型仍可能套用语言先验；对比较事件先后顺序的时序类问题另报时序准确率。

3. 双输入设置与轨迹编码消融：把"看不见"和"推不出"分开

只报一个总准确率，无从判断模型是没看见运动还是看见了却推不出来。为此论文设了两套输入设置，并配了三组对照把变量逐层剥开。Vision-only 只给视觉观测，从每段 3 秒片段里均匀采样 10 帧（约 3.3 FPS）——这个采样率足够做宏观动态推理，又能让 20+ 个模型的评测在算力上跑得动。围绕它有三组消融：完全不给视觉（\(\mathcal{O}=\{\varnothing\}\)）、只给一张静态帧（\(\mathcal{O}=\{I_0\}\)）、以及把帧序随机打乱。

Vision + Dynamics 则额外把显式自车运动信号以结构化文本形式喂给模型，并进一步消融四种文本编码，用来隔离"表示形式"本身的影响：Summary 是 8 个标量统计量，覆盖运动学的均值与极值（如最大/平均速度、最大侧向加速度）；Timeseries 给出 \(v,a,\omega,j\) 各通道在 \(N\) 个等间隔时刻的密集数值；Coordinates 给出零中心的 \(x,y\) 路点与航向角 \(\theta\)，也是 \(N\) 个时刻；Full 则把 timeseries 与 coordinates 合并。四者承载的物理信息完全相同、只是表示形式不同，并且所有显式运动学信息都与那 \(N\) 张子采样图像做了时间对齐。

这个设计的诊断价值就在这里：如果同一份物理信息、换个编码就让 BAcc 变动十几个点，那说明模型必须真正"处理"动力学表示，而不是在转发一个已经近乎明示答案的标签——这直接决定了后面那条"表示质量比参数规模更重要"的结论是否成立。

4. WPCR 物理一致性诊断：把「答对」与「自洽」拆开

准确率有一个结构性盲区：一个模型可以在逻辑上自相矛盾的情况下恰好蒙对某几题，而另一个模型可能物理推理完全正确、只是没把视觉观测对上，两者在 BAcc 上无法区分。本文为此引入加权物理一致性率（Weighted Physics Consistency Rate, WPCR），它不是对真值的准确率，而是对内部物理连贯性的诊断——看模型在同一段 clip（3 秒）内给出的一整套答案，是否满足运动的物理规律。

约束是一组布尔蕴含规则 \(\mathcal{R}=\{r_m\}\)，共 10 条硬规则，分四组：航向/侧向动力学（如"航向变化 = 是 ⇒ 转向方向 ≠ 直行"、"转向方向 = 直行 ⇒ 无显著航向变化"）、速度区间/平均速度（如"速度区间 = 高速 ⇒ 平均速度非低"、"速度区间 = 静止 ⇒ 速度趋势 ≠ 加速"）、复合的 brake-then-turn（"brake-then-turn = 是 ⇒ 制动强度 ≠ 无"）、以及 stop-and-go（"stop-and-go = 是 ⇒ 速度区间 ≠ 静止"）。规则形式是硬对应而不是软打分，这是刻意选择：自车运动概念在物理上就是离散且互斥的，不存在有意义的"部分正确"，软指标只会把系统性的推理失败藏进平缓的惩罚曲线里，恰恰掩盖了这个基准想要暴露的架构缺陷。

为了保证高分来自真的一致而不是逃避预测，每段 clip 的一致性贡献按它触发的规则比例加权：记 \(\mathcal{C}\) 为被评 clip 集合，\(T_c\) 为 clip \(c\) 上适用的规则数，\(V_c\) 为其违规数，则

\[\text{WPCR}=\frac{1}{|\mathcal{C}|}\sum_{c\in\mathcal{C}}\mathbb{1}\big[V_c=0\wedge T_c>0\big]\cdot\frac{T_c}{|\mathcal{R}|}\]

（⚠️ 指示函数的精确形式以原文为准；其含义是：只有"零违规且至少触发一条规则"的 clip 才算贡献，且贡献按其触发规则比例缩放。）这样，一个什么都不答、或只回避表态的模型触发规则很少，贡献天然被压低。配套还有一个物理覆盖率（PCov），即每段 clip 平均触发的规则占比 \(T_c/|\mathcal{R}|\)——它用来判断 WPCR 是否可信：如果 PCov 很低，说明规则几乎没被触发，此时的高 WPCR 是无意义的；高 PCov 才说明这套一致性规则在基准上被真正激活了。

一个完整示例¶

下面用一段构造的 3 秒片段走一遍"标注 → 作答 → 判分"的流程，数值为讲解用的示意（非论文报告值）。

假设这是一段合成的高速跟车片段：被隐藏的物理状态 \(\mathcal{S}\) 显示平均速度 22 m/s、航向基本不变、几乎无制动、横向加速度低。oracle \(\mathcal{G}(\mathcal{S},P)\) 由此得到的标签是：速度区间 = 高速、平均速度非低、转向方向 = 直行、制动强度 = 无、航向变化 = 否、stop-and-go = 否。

模型作答时答对了大部分：速度区间 = 高速 ✓、制动强度 = 无 ✓、转向方向 = 直行 ✓、stop-and-go = 否 ✓；但它同时判了"速度趋势 = 加速"（错，实际近似匀速）、并且额外判了"航向变化 = 是"——后者与前一条"转向方向 = 直行"直接矛盾。判分时，这段 clip 触发了 6 条规则（R1 因为"航向变化 = 是"而适用，R3、R4 因为"转向方向 = 直行"而适用，R5 因为"速度区间 = 高速"而适用，另有两条复合规则被触发），其中 R1 被违反：模型说航向变化 = 是，却又说转向方向 = 直行。于是 \(V_c=1\)，这段 clip 的一致性贡献归零，权重 \(T_c/|\mathcal{R}|=6/10\) 也一并作废。注意它的语义 BAcc 并不算差（14 类里只错两类），但 WPCR 已经把它标记成"物理不自洽"——这正是 WPCR 想抓的那类失败：答得不算离谱，但答案是拼凑的、没有共享一套自洽的运动概念。

损失函数 / 训练策略¶

本文是诊断性基准，不涉及模型训练，没有损失函数；涉及"策略"的部分只有评测协议本身——3.3 FPS 的均匀采样、统一 prompt 模板、把模型自由文本回答经确定性解析器映射回标签空间，以及把显式运动学输入与图像在时间上对齐。

实验关键数据¶

主实验¶

下表为纯视觉设置下的排行榜（模型只能看图像，不给任何显式运动学信息）。带 ¹ 的几何基线只能在 14 类问题中可几何回答的 6 类子集上评测，与 VLM 的 14 类数字不可直接比较——它们用来给"同一子集上的 VLM"划线。所有数值为百分比。

模型	Acc ↑	BAcc ↑	Macro-F1 ↑	时序 Acc ↑	WPCR ↑	PCov ↑
几何/学习型基线（6/14 子集）
光流启发式 [13,22]	/	47.0	42.2	48.5	46.5	79.6
视觉里程计 [11,23,30]	/	63.8	63.0	62.7	48.0	97.1
RAFT 光流 [35]	/	59.6	56.8	53.9	47.5	85.3
TartanVO [39]	/	54.4	50.7	65.9	42.4	99.8
视觉输入消融（Qwen3-VL-8B）
无视觉 \(\mathcal{O}=\{\varnothing\}\)	42.3	33.5	19.3	33.3	20.2	100.0
单张静态帧 \(\mathcal{O}=\{I_0\}\)	47.5	37.0	30.0	41.0	97.4	83.9
帧序打乱	49.1	39.0	31.7	40.4	98.4	84.8
有序 10 帧（默认）	49.8	38.9	33.0	39.3	97.9	84.6
闭源 MLLM
Gemini 3 Pro	53.6	47.0	44.3	47.3	59.3	98.4
GPT-5.1	54.3	45.2	40.1	43.0	96.3	76.9
Claude Sonnet 4.5	49.6	38.0	32.9	36.8	83.4	94.4
gemini-2.0-flash	46.2	36.5	32.4	37.2	54.1	97.5
开源 VLM
Cosmos Reason 2-8B	48.8	39.9	35.8	41.0	92.2	80.6
Qwen3-VL-8B	49.8	38.9	33.0	39.3	97.9	84.6
Qwen3-VL-4B	49.7	39.8	34.4	39.7	82.9	90.0
Qwen3-VL-2B	47.1	37.4	31.2	42.3	39.1	99.8
InternVL3.5-38B	46.5	37.6	26.8	44.8	72.6	72.4
InternVL3.5-8B	47.0	38.8	30.0	42.7	48.6	78.0
Camreasoner-8B	45.0	36.9	27.4	37.2	46.3	92.2
驾驶 VLA
RoboTron-Drive	48.0	38.6	32.0	41.3	69.8	96.8
ImpromptuVLA	47.3	37.8	28.9	40.2	41.1	72.8

消融实验¶

第一组消融把显式动力学与视觉输入拆开（全部在 Qwen3-VL-8B 上，后四行都带视觉帧 + 轨迹文本）：

设置	Acc ↑	BAcc ↑	时序 Acc ↑	WPCR ↑	PCov ↑
纯轨迹文本，无视觉帧（Summary 编码）	65.9	59.6	53.1	33.0	100.0
+ 视觉帧，Summary 编码	63.6	54.7	43.4	89.7	90.9
+ 视觉帧，Timeseries 编码	69.7	62.2	76.7	92.6	90.6
+ 视觉帧，Coordinates 编码	55.3	46.6	49.9	97.9	62.2
+ 视觉帧，Full 编码	69.0	61.3	77.3	97.8	78.1

第二组消融换掉视觉域，验证困难来自运动理解本身而不是仿真到真实的视觉域差：

模型	真实（nuScenes）↑	原始仿真 ↑	风格迁移仿真 ↑	Δmax ↓
Qwen3-VL-8B	40.0	39.7	41.0	1.3
视觉里程计 [11,23,30]	63.5	62.4	64.0	1.6
光流启发式 [13,22]	49.3	39.0	44.4	10.3
RAFT 光流 [35]	65.5	60.5	54.6	10.9
TartanVO [39]	51.3	51.0	56.0	5.0

关键发现¶

经典基线反超 VLM。 在几何可回答的 6/14 子集上，视觉里程计的 BAcc 是 63.8%，明显高于 GPT-5.1 的 55.1%、Gemini 3 Pro 的 59.6%、Qwen3-VL-8B 的 52.3%。更关键的是帧序打乱几乎不影响成绩（39.0 vs 有序 38.9），说明缺陷不在视觉编码器，而在下游的时序整合。
规模与领域双悖论。 最好的闭源模型 Gemini 3（BAcc 47.0%）只比最好的开源 8B 模型 Cosmos Reason 2-8B（39.9%）高 7.1 个点，而两者参数量差好几个数量级；领域专用的 RoboTron-Drive（38.6%）与同规模通用开源模型持平甚至更低。把时序分辨率提到 10 FPS 也只换来 +0.4pp，说明瓶颈是结构性的，不是输入受限。
预测性回退偏置。 VLM 的原始准确率普遍高于平衡准确率（如 Qwen3-VL-8B：49.8 vs 38.9），意味着物理推理失败时模型退化成输出单一主导答案，而不是在类别间做区分；视觉里程计几乎没有这个落差（65.1 vs 63.8），说明显式几何表示能锚住预测、缓解回答偏置。
显式动力学全面回升，但"怎么给"很重要。 同一份物理信息，用 Coordinates 编码的 BAcc 是 46.6%，用 Timeseries 是 62.2%，差 15.6 个点——模型确实必须处理动力学表示，而不是无条件转发标签。结构化运动学数据在所有模型上都优于高层语义摘要。
运动推理几乎完全绕开视觉。 把视觉帧整个换成轨迹文本，Qwen3-VL-8B 的 BAcc 从 38.9% 涨到 59.6%（+20.7pp）；在此之上把视觉帧加回来，最好的编码下也只再涨 2.6pp（到 62.2%）；而用次优编码时甚至跌回纯文本基线以下（Summary 54.7% < 59.6%）。这是一条很强的不对称性证据：视觉观测提供的时序信号可忽略，甚至构成干扰。
一致性只依赖"有没有视觉上下文"。 WPCR 从无视觉的 20.0 跳到单张静态帧的 97.4，再继续加帧几乎不动（有序 10 帧 97.9、乱序 98.4）。也就是说物理一致性由"存在任何视觉上下文"驱动，而不是由"对帧序列做时序推理"驱动；再叠加轨迹文本，视觉对一致性的贡献进一步趋近于零。
域不变性成立。 Qwen3-VL-8B 在真实/原始仿真/风格迁移三域上的 BAcc 是 40.0/39.7/41.0（Δmax 1.3），视觉里程计是 63.5/62.4/64.0（Δmax 1.6），几何基线跨域稳定也反向支持了用合成数据考核真实自车运动理解的合法性。另外 500 段风格迁移片段中有 80 段（16%）带上游 CARLA 渲染的空间伪影，由于伪影在片段内时间上稳定，光流被保留、光度质量被破坏——这 80 段与其余 420 段的逐段准确率差在主要模型上均 ≤3pp 且方向混杂，进一步印证光度质量并未被有效利用。

亮点与洞察¶

用确定性 oracle 把标注从"人评"变成"从可测运动学导出"。 标签直接来自物理信号，可复现、阈值可调、可做敏感性分析（扰动 \(\alpha\in[0.5,1.5]\) 下 Kendall's \(\tau>0.9\)），同时把人工标注噪声这一常见混淆因素整个消掉。这套"物理信号 → 确定性阈值 → 离散标签"的构造方式可以平移到任何有高精度状态日志的具身场景（机器人操作、赛车、无人机）。
WPCR 的两道防刷分设计值得复用。 一是按触发规则比例加权，堵住"不预测就不违规"的逃避路径；二是额外报 PCov，明示规则是否真的被激活，防止低覆盖率下的虚高一致性。任何"内部一致性"类指标都可以照这个思路加一道覆盖度护栏。
"帧序打乱不掉点 + 换掉视觉反而大涨"是一套通用模态探针。 想判断某个模型到底在用什么模态做决策，可以把该模态替换成等价的最简文本描述，再看性能是涨是跌；涨了就说明该模态原本没被真正用上。这个方法几乎不需要额外标注成本，可迁移到视频 VQA 与机器人物理推理评测。
硬布尔约束而非软打分是有原理的选择。 运动概念本身离散互斥，软指标会把系统性推理失败藏进平缓的惩罚曲线，反而掩盖了基准要暴露的架构缺陷——这一点在"设计一个诊断性基准"时是重要的方法论提示：指标应当放大而非平滑失败信号。
"表示质量 > 参数规模"是可以直接用于预训练策略的结论。 Timeseries 编码下，较小的开源模型在时序与一致性指标上能追平甚至超过闭源大模型，说明性能驱动力是动力学表示的对齐质量，而不是参数数量；相应地，论文建议把资源投到预训练阶段的物理对齐策略上，而不是继续堆规模。

局限与展望¶

作者承认的局限：只覆盖 3 秒的短时窗，窗口内单个 maneuver 能被干净地分离和归因；扩展到长时程与多智能体场景级推理是自然的下一步。作为 grounding 诊断，它衡量的是"概念是否与视觉观测对齐"，而不是闭环驾驶性能。
观测形态偏窄：视觉输入来自单目前视序列（真实部分是 nuScenes 的前置摄像头），多视角/环视融合、以及侧后方运动（如变道时后车接近）都不在评测范围内，而这些恰是真实驾驶里运动理解最容易翻车的地方。
数据多样性有限：真实部分只来自 nuScenes（波士顿/新加坡两个城市），地理与驾驶文化覆盖窄；仿真部分依赖 CARLA + CommonRoad 场景库，合成的高动态工况与真实紧急工况在动力学细节上仍有差距，而恰恰是这些区域被用于纠偏，因此影响被放大。
被评模型清单里有些条目的版本细节不够公开（前沿闭源模型的 API 快照、个别 VLA 的规模配置），跨模型比较的可复现性依赖快照时点；此外"Parsable"列显示个别模型有少量回答无法解析，其对最终分数的影响未量化。
可改进的方向：论文自己指出的是把运动学编码与显式对齐策略纳入预训练，让视觉感知与动力学表示原生对齐；进一步地，WPCR 这套约束目前只用于评测，完全可以反过来当训练时的辅助正则项，让模型在训练中就被惩罚"答对但不自洽"。

评分¶

新颖性: ⭐⭐⭐⭐ — 第一个把"自车运动学一致性"作为独立轴隔离出来的评测，确定性 oracle 标注 + WPCR 硬约束指标的组合在驾驶基准里是新的；但底层范式仍是"换一个维度做 VLM 诊断基准"，方法层面的创新有限。
实验充分度: ⭐⭐⭐⭐⭐ — 20+ 个模型、1000 段 3 秒片段、14000 组 QA，配套几何基线、四种轨迹编码消融、四种视觉输入消融、三个视觉域的域差分析以及阈值敏感性分析，覆盖面和对照设计都很扎实。
写作质量: ⭐⭐⭐⭐ — 诊断链条清晰，"感知瓶颈"与"功能解耦"两个结论层层递进，benchmark 对照表（表 1）把定位讲得很干净；不足是阈值具体取值、prompt 模板与部分高级嵌入消融只在补充材料里，正文的 3 秒/10 帧设置对结论的影响也需要读者自己去查补充材料确认。
价值: ⭐⭐⭐⭐ — 对具身与驾驶的预训练策略有直接指导意义（表示质量比规模重要、需要显式对齐而非更多视觉帧），诊断协议本身也可复用；扣分在于只覆盖 3 秒单目短片、且结论高度依赖"用文本轨迹替代视觉"这一极端对照设置。