视觉语言模型是否已准备好应对自动驾驶中的车道拓扑感知？

视觉语言模型（VLM）近期在多模态推理方面取得了显著进展，然而它们在自动驾驶中的应用仍然有限。特别是，理解道路拓扑的能力——安全导航的一项关键要求——受到的关注相对较少。虽然最近的一些工作已开始探索VLM在驾驶场景中的应用，但它们在拓扑推理上的表现远不能令人满意。在这项工作中，我们系统地评估了VLM在道路拓扑理解方面的能力。具体而言，我们将多视图图像投影到统一的地平面坐标系中，并融合成鸟瞰图（BEV）车道。基于这些BEV车道，我们构建了四个与拓扑相关的诊断性视觉问答（VQA）任务，这些任务共同涵盖了空间拓扑推理的基本组成部分。通过广泛的评估，我们发现，尽管前沿的闭源模型（如GPT-4o）在某些任务上达到了相对较高的准确率，但它们在一些人类能够回答的空间问题上仍然失败（例如，GPT-4o在向量这一二分类问题上仅达到67.8%的准确率）。此外，我们发现开源VLM，即使是300亿参数规模的，也表现挣扎。这些结果表明，空间推理仍然是当前VLM的一个根本性瓶颈。我们还发现，模型的能力与模型大小、推理令牌长度以及提供的示例样本数呈正相关，这为未来的研究指明了方向。