❝ 自动驾驶VLA的空间理解能力，亟需新的突破。 （1）在无需昂贵人工标注的情况下，构建可用且有效的3D表示存在难度； （2）由于缺乏大规模3D视觉-语言预训练，视觉-语言模型（VLMs）中的细粒度空间细节有所丢失。 论文标题：OccVLA: Vision-Language-Action Model with Implicit 3D Occupancy Supervision 论文链接：https://arxiv.org/abs/2509.05578 现有研究已针对这一挑战开展了大量探索（如图1（a）所示）。在基于VLM的感知流水线中，监督依赖于文本描述的3D标注（例如坐标或边界框），这类标注本质上具 有稀疏性且信息量有限。生成此类标注需要大量人工标注工作，从而限制了模型的可扩展性。如图1（b）所示，近年有部分方法尝试整合3D输入，但它们受限于两个问 题：一是缺乏大规模3D视觉-语言预训练数据，二是缺乏针对复杂空间场景的详细描述文本。这类3D VLMs通常将重点放在文本输出的监督上，却忽略了丰富的3D视觉模 态信息，因此在自动驾驶的空间理解能力方面仍有提升空间。 在这一背景下，核心挑战主要体现在两方面：（1） ...