神经符号驾驶（Neuro-Symbolic Drive）是一项由Xiangbo Gao等八位作者提交、于2026年6月22日发布在arXiv上的新研究（编号arXiv:2606.23938v1，属cs.AI，并交叉列入cs.CL）。该工作针对当前带思维链（Chain-of-Thought，CoT）推理的驾驶VLA（视觉-语言-动作）模型提出改进思路。此类模型之所以有吸引力，是因为它们能够利用预训练视觉语言模型的表示能力，并用自然语言把中间决策暴露出来；但论文指出，现有模型给出的推理理由往往缺乏逐步决策语义，难以保证推理过程与最终规划的运动之间存在因果联系。
为此，作者提出了Neuro-Symbolic Drive这一神经符号驾驶框架。其核心做法是用从经典规则式规划器中直接提取的、以规则为依据的推理轨迹，来监督驾驶VLA的训练。研究者的关键观察是：规则式规划器本身就是符号人工智能系统，已经充当可执行的推理引擎——它们会对主动安全约束进行推理，在候选机动动作之间搜索，并选出最终轨迹。
在具体实现上，作者在仿真环境中对这类规划器进行插桩，以便在每个规则评估步骤同时捕获实际执行的轨迹和内部决策轨迹。随后，每条轨迹被序列化为结构化的、以规则为依据的推理内容，并与对应轨迹配对，用于微调Qwen3.5-4B，使其成为驾驶VLA。论文强调，由于这些轨迹直接来自决定动作的规划器状态，推理与运动生成在构造上就是结构耦合的，而不是依赖事后对齐。
在由仿真器生成的基准测试中，详细的规则依据推理带来了明显收益：在三摄像头感知条件下，ADE@3s从0.47降至0.26，漏检率（miss rate）从8.30%降至6.40%；在八摄像头感知条件下，ADE@3s从0.54降至0.26，漏检率从10.13%降至5.99%。作者总结称，Neuro-Symbolic Drive把神经符号规划逻辑转化为结构化监督。论文代码库地址为https://github.com/XiangboGaoBarry/Neural-Symbolic-Drive，全文可通过arXiv查看PDF、实验性HTML及TeX源码，DOI为10.48550/arXiv.2606.23938（DataCite注册待完成）。