自动驾驶vla的空间理解能力，亟需新的突破。 多模态大语言模型（mllms）已展现出强大的视觉-语言推理能力，但仍缺乏鲁棒的3d空间理解能力，而这种能力对自动驾驶至关重要。这一局限