Large Language Models (LLMs) 및 Large Multimodal Models (LMMs)의 앙상블을 사용하여 자율 주행 자동차 (Autonomous Vehicles, AVs)의 고수준 장면 해석 및 계획 (Planning)을 지원하려는 최근의 시도들은 시간을 부차적인 속성으로 계속 취급하고 있습니다. 이러한 시계열적 접지 (Temporal Grounding)의 결여는 연속적인 동작에 대한 추론에서 불일치를 초래하며, 안전성과 해석 가능성 (Interpretability)을 모두 저해합니다. 본 연구는 에이전트 간 통신 내에서의 시계열적 조건화 (Temporal Conditioning)가 의미론적 또는 논리적 일관성의 저하를 일으키지 않으면서 일관성을 유지하거나 향상할 수 있는지 탐구합니다. 이를 조사하기 위해, 우리는 시계열 통합 수준이 점진적으로 증가하는 세 가지 플래너 (Planner) 아키텍처를 도입하고, BDD-X 데이터셋의 선별된 하위 집합을 사용하여 의미론적, 구문론적 및 논리적 지표로 이를 평가합니다. 결과에 따르면, 시계열적 조건화가 추론 스타일을 재형성하기는 하지만, 표준 NLP 기반 정확도 지표에서는 통계적으로 유의미한 개선을 보이지 않았습니다. 그러나 질적 분석을 통해 Sentinel 모델에서 예측적 위험 추론 (Predictive Hazard Reasoning), 안정적인 교정 동작 (Corrective Behavior), 그리고 전략적 분기 (Strategic Divergence)가 나타남을 확인했습니다. 이러한 발견은 프롬프트 기반 시계열적 접지의 한계를 명확히 하며, 시계열적 Scene-to-Plan 추론을 위한 최초의 경험적 벤치마크를 구축합니다.