点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近30个 方向 学习 路线 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 论文作者 | Haicheng Liao等 编辑 | 自动驾驶之心 在自动驾驶的交互场景中，最尴尬的时刻莫过于此： 乘客指着前方复杂的路口说："跟着那辆SUV"。自动驾驶系统看着眼前三辆长得差不多的车，内心OS："哪辆？是左边那辆？还是正在变道那辆？" 现有的自动驾驶视觉定位（Visual Grounding）模型，大多像是一个" 只会看图说话 "的愣头青。它们盯着当前的这一帧画面，试图从 像素 里找答案。一旦指令模糊， 或者目标被遮挡，它们就很容易"指鹿为马"，甚至引发错误推理。 人类司机为什么不会弄错？因为我们会" 预判 "。 当我们听到指令时，大脑里会瞬间推演未来的画面：左边那辆车马上要转弯了，不符合"跟着"的语境；只有中间那辆车在加速直行，才是最可能的意图。 "在行动之前，先思考未来"。 受此启发，来自[澳门大学]的研究团队提出了全新的框架 ThinkDeeper。这是首个将世界模型（World Model）引入自动驾驶视觉定位的研究。这项工作不仅刷 ...