Los modelos VLA (Vision-Language-Action) que incorporan razonamiento Chain-of-Thought (CoT) han llamado la atención por su capacidad de aprovechar representaciones pretrainadas de VLM y mostrar decisiones intermedias en lenguaje natural. Sin embargo, los razonamientos generados a menudo carecen de la semántica paso a paso necesaria para mantener una conexión causal entre la explicación y el movimiento planificado, lo que reduce su utilidad para sistemas de conducción autónoma donde la fiabilidad es crítica.\\n\\nPara superar esta limitación, los investigadores proponen Neuro-Symbolic Drive, un marco que supervisa a un VLA de conducción con trazas de razonamiento fundamentadas en reglas extraídas directamente de planificadores clásicos basados en reglas. La observación clave es que esos planificadores ya funcionan como motores de razonamiento ejecutables: evalúan restricciones de seguridad activas, buscan maniobras candidatas y seleccionan una trayectoria final. Al instrumentar esos planificadores en simulación, el equipo captura tanto la trayectoria ejecutada como la traza interna de decisión en cada paso de evaluación de regla. Cada traza se serializa en un razonamiento estructurado fundamentado en reglas y se empareja con la trayectoria correspondiente para ajustar fino el modelo Qwen3.5-4B como VLA de conducción.\\n\\nEn el benchmark generado por el simulador, el uso de razonamientos fundamentados en reglas reduce el ADE@3s (error promedio de desplazamiento a 3 segundos) de 0,47 a 0,26 y la tasa de fallos de 8,30 % a 6,40 % bajo percepción de tres cámaras. Con ocho cámaras, las mejoras son aún más notables: el ADE@3s cae de 0,54 a 0,26 y la tasa de fallos disminuye de 10,13 % a 5,99 %. Estos resultados demuestran que la supervisión basada en trazas simbólicas no solo mejora la precisión del control, sino que también aumenta la robustez ante entradas de percepción más ricas.\\n\\nEl valor de Neuro-Symbolic Drive reside en su acoplamiento estructural: porque las trazas provienen directamente de los estados del planificador que determinan la acción, el razonamiento está garantizado de estar vinculado causalemente a la generación del movimiento, sin necesidad de alineaciones posteriores o ajustes heurísticos. Esto contrasta con enfoques puramente neuronales, donde las explicaciones CoT pueden ser plausibles pero desconectadas de la acción real. Al integrar la lógica simbólica como supervisión, el modelo hereda la interpretabilidad y la garantía de cumplimiento de reglas de los planificadores clásicos, mientras conserva la capacidad de generalización de las redes neuronales frente a escenarios complejos y poco estructurados.\\n\\nEl código abierto está disponible en GitHub bajo el repositorio XiangboGaoBarry/Neural-Symbolic-Drive, lo que permite a la comunidad reproducir los experimentos y adaptar el enfoque a otros dominios de toma de decisiones secuenciales. Para la industria de vehículos autónomos, esta obra sugiere un camino práctico para combinar la solidez de la IA simbólica con la flexibilidad del aprendizaje profundo, avanzando hacia sistemas de conducción no solo más precisos, sino también más transparentes y confiables. Los próximos pasos podrían incluir la extensión a entornos reales, la incorporación de normas de tráfico específicas de cada jurisdicción y la evaluación en plataformas de hardware embebido.