連鎖的思考（CoT）推論を取り入れた運転VLAモデルは、事前学習済みの視覚言語モデルの表現を活用し、中間決定を自然言語で示せる点で魅力的である。しかし、現在の根拠説明は、推論を計画された運動に因果的に結びつけるために必要な段階的決定意味論を欠くことが多い。この問題に対し、Xiangbo Gao氏ら8名の著者は2026年6月22日提出のarXiv論文でNeuro-Symbolic Driveを提案した。これはニューロシンボリックな運転フレームワークである。
本研究の鍵となる観察は、古典的なルールベースプランナーがすでに実行可能な推論エンジンとして機能しているという点だ。プランナーは能動的安全制約について推論し、候補となる機動を探索し、最終軌跡を選択する。研究チームはシミュレーション内でこれらのプランナーを計装し、各ルール評価ステップにおける実行軌跡と内部決定トレースの両方を取得した。各トレースは構造化されたルール根拠付き推論にシリアライズされ、軌跡とペアにされてQwen3.5-4Bを運転VLAとして微調整するために用いられる。
これらのトレースは動作を決定するプランナー状態から直接導出されるため、推論は事後アラインメントではなく、構築時点で運動生成と構造的に結合される。これにより、ニューロシンボリック計画ロジックを構造化された監督信号に変換している。
シミュレータ生成ベンチマークでは、詳細なルール根拠付き推論により明確な改善が得られた。3カメラ知覚ではADE@3sが0.47から0.26に、ミス率が8.30%から6.40%に低下。8カメラ知覚ではADE@3sが0.54から0.26に、ミス率が10.13%から5.99%に低下した。これらの結果は、ルール根拠付き推論監督が運転VLAの軌跡予測精度と安全性関連指標を効果的に向上させることを示している。
本論文はcs.AIとcs.CLの交叉領域に属し、コードベースはGitHubで公開されている（https://github.com/XiangboGaoBarry/Neural-Symbolic-Drive）。全体として、Neuro-Symbolic Driveは、伝統的なルールベースプランナーの解釈可能な決定プロセスを現代の運転VLAの構造化推論監督へ変換する方法を示し、自動運転におけるニューロシンボリック手法の新たな方向性を提示している。