從一個新穎的3D MLLM架構開始，該架構使用稀疏查詢將視覺表示提升和壓縮到3D，然後將其輸入LLM。
主題：OmniDrive: A Holistic LLM-Agent Framework for Autonomous Driving with 3D Perception Reasoning and Planning
作者單位：北京理工大學，NVIDIA，華中科技大學
#開源地址：GitHub - NVlabs/OmniDrive
多模態大語言模型（MLLMs）的發展導致了對基於LLM的自動駕駛的興趣不斷增長，利用它們強大的推理能力。利用MLLMs強大的推理能力來改進規劃行為是具有挑戰性的，因為它們需要超越2D推理的完整3D情境意識。為了解決這個挑戰，本工作提出了OmniDrive，這是一個關於智能體模型與3D驅動任務之間強大對齊的全面框架。框架從一個新穎的3D MLLM架構開始，該架構使用稀疏查詢將觀察表達提升和壓縮到3D，然後將其輸入LLM。這種基於查詢的表達允許我們聯合編碼動態物件和靜態地圖元素（例如，交通道路），為3D中的感知-行動對齊提供了一個簡潔的世界模型。進一步提出了一個新的基準，其中包括全面的視覺問答（VQA）任務，包括情境描述、交通規則、3D基礎、反事實推理、決策和規劃。廣泛的研究表明，OmniDrive在複雜的3D情境中具有出色的推理和規劃能力。
以上是OmniDrive: 一個關於大模型與3D駕駛任務對齊的框架的詳細內容。更多資訊請關注PHP中文網其他相關文章！
