思维链 (Chain of Thought，CoT) 是一种人工智能方法，通过将复杂的任务分解为一系列逻辑步骤，最终实现解决方案，以模拟类似人类的推理过程。这种方法反映了人类智能的基本特征，提供了一种结构化的问题解决机制。换句话说，思维链 (CoT) 基于认知策略，将复杂问题分解为可管理的中间思想，然后依次引导至最终答案。思维链是针对大模型不擅长做逻辑思考题而开发的新技术，大模型也正是靠思维链获得了推理能力。
思维链是最适合端到端智能驾驶的技术路线，可以复用传统分段式智能驾驶的技术积累，可以单独优化某一模块，最重要是它提高了智能驾驶的可解释性，提高了智能驾驶的迭代能力，也能给乘客带来更高的信心，更信任智能驾驶。
如果 AI 被问到“天空是什么颜色的？”，AI 会生成一个简单直接的回答，例如“天空是蓝色的。”然而，如果使用思维链 (CoT) 提示要求 AI 解释为什么天空是蓝色的，AI 会将问题拆解为两步，首先会定义“蓝色”的含义（即一种原色），然后推导出天空之所以呈现蓝色，是因为大气吸收了其他颜色。这一回答体现了 AI 构建逻辑论证的能力。
智能驾驶可以视作一个推理问题，即输入环境信息（主要就是V，即视觉，激光雷达的点云信息和深度信息可以看做是一种特殊V，如果是全数字激光雷达可以直接输出3D图像，这和视觉完全一致，是更高级的3D视觉，单从这个角度说，激光雷达也可以是纯视觉），输出底盘执行动作A，L即大语言模型或基石多模态大模型做了环境认知。如果没有思维链，那就是没有L，直接从V输出到A。
图片来源：论文《Chain-of-Thought for Autonomous Driving: A Comprehensive Survey and Future Prospects》
树形思维链和图形思维链是最适合自动驾驶的，因为正确的驾驶是不止一种的，ToT (Tree-of-Thoughts)允许语言模型同时考虑多种不同的推理路径，通过对推理过程进行自我评估，以及在必要时进行前瞻或回溯以做出全局选择。思维链的开山之作源自谷歌2021年12月发表的论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》，核心作者是知名AI华人学者魏杰森，2020 年本科毕业成为谷歌大脑的高级研究员，目前在OpenAI。
一般来说CoT会分为两种：基于人工示例标注的Few-shot CoT和无人工示例标注的Zero-shot CoT。回答问题“与法国接壤并有红白国旗的国家的首都在是哪里？”时，尽管没有经过此类问题的特定训练，但使用零样本思维链 (CoT) 的模型会利用其内嵌的地理和国旗知识来拆解问题，第一步是与法国接壤，第二步是红白国旗，推断出来是瑞士，第三步，根据地理知识，推断出是伯尔尼。
这里是一个CoT思维链在自动驾驶中的详细实例，车辆通过十字路口场景。
感知阶段
问题拆分：将环境感知拆解为信号灯状态识别、行人信息捕捉、周边车辆动态监测三个子问题。摄像头通过图像识别算法，定位路口信号灯区域，判断其颜色为黄色；利用人体姿态检测模型，锁定路口中间行人的位置，同时分析其肢体动作，判断正处于行进状态；结合雷达测距与摄像头视觉信息，获取右侧车辆的实时位置与速度，通过前轮转向角度、转向灯亮起等细节，初步判定有变道意图。
行为决策阶段
问题拆分：针对每个风险点，结合规则与车辆性能推理对应决策，并整合为最终方案。风险点包括黄灯剩余时间未知，根据常规交通灯周期推算，快速变红概率高，若强行通过可能违反交通规则；行人干扰：行人位于车辆行驶路径上，若保持原速行驶，到达路口时可能与行人发生碰撞；变道风险：右侧车辆变道会侵占本车道空间，且两车速度差与相对位置存在碰撞可能；最终决策：综合以上因素，同时满足交通规则与安全需求的最优解是立即减速停车。
底盘执行阶段
将停车决策拆解为制动力度控制、停车位置选择、后续动作规划三个步骤。系统根据当前车速与距离，计算合适的制动压力，向制动系统发送指令，平稳降低车速；选择距离行人与变道车辆安全距离外的位置，完全停车等待；持续监测行人与变道车辆动态，待行人通过、右侧车辆完成变道，且信号灯状态允许时，再规划启动与行驶路径。
自动驾驶与思维链总览
图片来源：论文《Chain-of-Thought for Autonomous Driving: A Comprehensive Survey and Future Prospects》
使用思维链技术的智能驾驶模型一览
图片来源：论文《Chain-of-Thought for Autonomous Driving: A Comprehensive Survey and Future Prospects》
上图包括了目前开环测试成绩最好的地平线的Senna，理想的Drive-VLM，小米的ORION，Waymo的EMMA，华为的DRIVE-CoT。 基本上优秀的端到端智能驾驶都采用了思维链技术。
有思维链与无思维链智能驾驶对比
full pipeline mode (V-L-A),vision-only mode (V-A), language-only mode (L-A), and uninformed mode (A) ，很明显，VLA效果要明显好很多。
数据来源：理想汽车论文《DriveAction: A Benchmark for Exploring Human-like Driving Decisions in VLA Models》
图片来源：论文《DriveLM: Driving with Graph Visual Question Answering》
DriveLM则通过“图结构的视觉问答（Graph Visual Question Answering, GVQA）”任务来模拟人类的多阶段推理过程。以图结构方式组织问答对，将每个问题视作图中的节点，不同任务阶段之间的逻辑依赖关系作为边，构建有向无环图。推理流程包括五个阶段：（1）、P1 感知：识别和定位关键目标；（2） P2 预测：估计目标未来可能行为；（3）、P3 规划：基于预测结果制定自车安全行为；（4）B 行为：自然语言描述自车的决策动作；（5）、M 运动：输出自车未来轨迹点。
中国的交通规则执行查处的广度和深度是全球范围内最高的，因此必须使用思维链技术。
DriveCoT框架
图片来源：论文《DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving》
中国道路环境必然包含多个推理任务分解，而美国道路环境基本上只考虑一个碰撞风险，中国要至少加上信号灯和车道规则，还可能有交警手势等多个任务。
小米汽车和清华大学提出了思维链的增强版，即工具增强型思维链，如下图中的ours。
图片来源：论文《AgentThink: A Unified Framework for Tool-Augmented Chain-of-Thought Reasoning in Vision-Language Models for Autonomous Driving》
将思维链 (CoT) 推理融入 VLM，如图 (b) 所示。一些方法采用僵化的 CoT 模板，以牺牲灵活性为代价来提升结构化逻辑。另一些方法则使用开放式推理格式 ，但可能会过拟合 token 模式，并表现出浅薄或冗余的推理。此外，大多数现有方法纯粹依赖于从预先设定的轨迹中进行模仿学习，缺乏检测知识不确定性或调用工具进行中间验证的能力 。这些挑战引出了一个关键问题：VLM 如何才能真正发挥决策智体的作用——既能认知自身知识边界，又能熟练地进行验证，并能够从工具引导的反馈中学习？这方面的灵感源自经验丰富的人类驾驶员，他们会在不确定时借助后视镜或 手机导航等辅助工具来完善判断。同样，一个有能力的自动驾驶智体不仅必须清晰地推理，还必须认识到自身的局限性，并动态地运用目标检测器或运动预测器等工具来引导其推理和决策。
小米汽车和清华大学联合做了一个工具库，包含五个驾驶核心模块的功能：视觉信息、检测、预测、占用和地图，以及单视角视觉工具（开放词汇检测、深度估计、裁剪、缩放）。此外，还包括基础的单视角视觉工具，如开放词汇目标检测器和深度估计器。这些工具共同使模型能够提取全面的环境信息，以支持多样的感知和预测任务。每一个推理步骤包含五个关键元素，分别是选择工具、生成的子问题、不确定性标志、猜测的答案、下一个动作选择。重复上述流程，为每个问答对采样N条结构化推理轨迹。
图片来源：论文《AgentThink: A Unified Framework for Tool-Augmented Chain-of-Thought Reasoning in Vision-Language Models for Autonomous Driving》
在DriveLMM-o1 上的成绩对比，AgentThink大幅度超越GPT-4o。
典型VLA
图片来源：博世论文《DiffVLA: Vision-Language Guided Diffusion Planning for Autonomous Driving》
在中国，端到端智能驾驶必然是要考虑交通规则的，其任务必然是多层的，至少包含安全和遵守交通规则，也就是说必然包含至少两个阶段的推理任务。此外对自动驾驶任务，路径规划阶段，大模型不擅长输出精确的waypoint坐标信息，基于diffusion的路径规划模型参数小，计算成本低，性能远比传统大模型要好。目前VLA一般都是大模型+diffusion。纯粹的一段式或者说全局式端到端是无法满足中国市场的。
免责说明：本文观点和数据仅供参考，和实际情况可能存在偏差。本文不构成投资建议，文中所有观点、数据仅代表笔者立场，不具有任何指导、投资和决策意见。
END
作者：周彦武
来源：佐思汽车研究
推荐阅读：
更多汽车电子干货请关注汽车电子与软件专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
