Lost in Fog: 传感器扰动暴露驾驶视觉语言动作（VLA）的推理脆弱性

可解释的自动驾驶规划器不仅需要生成解释，还需要这些解释在现实世界传感器降级时保持可靠。本文我们针对视觉语言动作（VLA）在自动驾驶中的鲁棒性进行受控扰动研究，在八种传感器扰动（四种强度的高斯噪声、两种极端照明和两种雾浓度）下评估 Alpamayo R1（10B 参数）的 1,996 个场景（约 18,000 次推理试验）。我们发现，推理一致性是轨迹可靠性的高保真指示器：当链式因果（Chain-of-Causation, CoC）解释在扰动后发生变化时，轨迹偏离会增加 $5.3{\times}$（21.8m vs 4.1m），且在所有攻击类型下相关系数为 $r=0.99$，按样本相关系数为 $r_{pb}=0.53$（Cohen's $d=1.12$）。受控消除实验提供证据表明，启用 CoC 生成与在匹配的推理设置下提高轨迹准确性有关（平均提升 11.8%；$p < 0.0001$）。在测试的噪声范围内（$\sigma \in \{10, 30, 50, 70\}$），退化约为线性（$R^2=0.957$），而标准的输入预处理防御仅提供有限的缓解。总体而言，这些结果确立了 CoC 一致性作为规划安全的量化代理，并激励基于推理的运行时监控，以实现更安全的 VLA 部署。