1. ELM 的创新点与核心思路

        ELM 的核心在于 “具身理解”（Embodied Understanding），即通过常识与环境交互并进行推理，这一理念适用于自动驾驶车辆、机器人和无人机等多种应用场景。具身智能体（Embodied Agent）需具备四大核心能力：首先，它能够描述周围环境，对交通物体的属性、存在状态和运动情况进行准确刻画；其次，不仅能评估大致位置，还能在三维空间中精确定位特定物体，实现高精度的空间定位；再者，需要检索已发生的特定事件，具备强大的记忆能力；最后，能够根据给定的历史信息预测未来，为决策提供依据。

        现有方法存在明显局限性：在空间理解方面，现有的视觉语言模型（VLMs）仅限于二维领域，缺乏对三维空间的理解能力，无法准确把握驾驶场景的立体结构；在时间理解方面，只能在短时间内实现信息检索，缺乏长时域外推能力，难以应对复杂的时间序列信息；此外，定位、记忆和预测能力的缺失严重限制了 VLMs 对驾驶场景的具身理解。

        针对这些问题，ELM 提出了三大创新点：在空间维度上，通过空间感知预训练（