- 自动驾驶(Autonomous Vehicles, AVs)中，现有利用大语言模型(LLM)和大多模态模型(LMM)组合进行高层场景解释与规划的方法，普遍将时间作为次要属性处理
- 缺乏时间基础(temporal grounding)导致连续动作推理出现不一致性，削弱了安全性和可解释性
- 研究背景：智能体间通信中的时间条件化(temporal conditioning)能否在不损失语义或逻辑一致性的前提下，保持或提升推理连贯性尚不明确
- 提出三种**规划器架构(planner architectures)**，逐步增加时间集成(temporal integration)程度
- 在**BDD-X数据集** 的精选子集上进行评估，使用语义、句法和逻辑指标
- 采用标准NLP正确性指标（如语义、句法、逻辑）进行定量分析，并结合定性分析揭示推理行为
- **首次系统性探索**：在智能体间通信中引入**时间条件化(temporal conditioning)**，研究其对场景到规划推理的影响
- **三种渐进式时间集成架构**：通过逐步增强时间依赖，对比分析时间条件化对推理风格和一致性的作用
- **定性发现**：揭示了时间条件化带来的**预测性危险推理(predictive hazard reasoning)**、**稳定纠正行为(stable corrective behavior)** 和**战略分歧(strategic divergence)** （尤其是Sentinel架构），这些是现有方法未观察到的
- **明确基于提示的时间基础(prompt-based temporal grounding)的局限性**：时间条件化虽重塑推理风格，但未在标准NLP正确性指标上带来统计显著提升
- **建立首个时间场景到规划推理的实证基准(empirical benchmark)**，为后续研究提供定量和定性评估框架
- **为自动驾驶中的安全推理提供新视角**：强调需要超越现有指标，关注时间一致性对安全关键行为的影响