ChatSim:基于LLM-Agent协作的自动驾驶可编辑场景仿真

RayRay
ChatSimLLM-Agent Collaboration3D Gaussian SplattingMcNeRF自动驾驶Github开源项目

ChatSim:开创自动驾驶场景仿真新范式

自动驾驶技术的快速发展为交通出行带来了革命性的变革,但如何高效地测试和验证自动驾驶系统的性能和安全性仍然是一个巨大的挑战。传统的道路测试方法成本高昂、耗时长久,且难以覆盖所有可能的场景。因此,场景仿真技术应运而生,成为了自动驾驶研发中不可或缺的环节。然而,现有的可编辑场景仿真方法在用户交互效率、多摄像头照片级渲染以及外部数字资产集成等方面仍存在诸多限制。为了解决这些问题,来自上海交通大学、上海人工智能实验室、卡内基梅隆大学和清华大学的研究团队提出了一种全新的自动驾驶场景仿真系统——ChatSim。

ChatSim的创新之处

ChatSim是第一个能够通过自然语言命令实现可编辑的照片级真实3D驾驶场景仿真的系统,它具有以下几个突出特点:

  1. 高度灵活的编辑能力:ChatSim采用了大语言模型(LLM)代理协作框架,使用户能够通过自然语言命令轻松地编辑复杂的驾驶场景。

  2. 照片级真实渲染:系统采用了创新的多摄像头神经辐射场方法,能够生成高度逼真的场景视频。

  3. 外部资产无缝集成:ChatSim引入了新颖的多摄像头光照估计方法,实现了外部3D模型与场景的一致性渲染。

系统架构与工作流程

ChatSim的核心是一个基于LLM的多代理协作框架。这个框架模拟了人类团队的工作方式,将复杂的仿真需求分解为具体的编辑任务。主要包括以下几个关键代理:

  1. 指挥代理(Commander Agent):负责理解用户的自然语言命令,并将其转化为具体的任务指令。

  2. 场景代理(Scene Agent):负责维护和更新场景状态,确保所有编辑操作的一致性。

  3. 运动代理(Motion Agent):生成物体的运动轨迹,确保运动的合理性和真实性。

  4. 渲染代理(Rendering Agent):负责生成最终的照片级真实场景视频。

这种多代理协作的方式不仅提高了仿真的效率,还大大增强了系统处理复杂场景和抽象命令的能力。

核心技术亮点

  1. 背景渲染技术

ChatSim引入了一种创新的多摄像头辐射场方法,以解决自动驾驶车辆周围摄像头存在的姿态不准确和曝光不一致问题。这种方法能够渲染出亮度一致的超广角图像,为场景仿真提供了高质量的背景。

  1. 前景渲染技术

系统采用了新颖的多摄像头光照估计方法。通过预测环境光照,ChatSim能够使用Blender渲染出与场景一致的前景物体,实现了外部3D模型与真实场景的无缝融合。

  1. 轨迹生成与优化

为了生成更加平滑和真实的物体轨迹,ChatSim集成了一个可选的轨迹跟踪模块。这个模块基于深度强化学习,能够对初始轨迹进行优化,使得物体的运动更加自然流畅。

实验结果与应用前景

研究团队在Waymo开放数据集上进行了大量实验,结果表明ChatSim能够处理复杂的语言命令,并生成相应的照片级真实场景视频。以下是几个典型的应用案例:

  1. 抽象命令处理:用户只需输入"制造一个交通堵塞"这样简单的命令,ChatSim就能理解意图并生成相应的复杂场景。

  2. 复杂场景编辑:"移除场景中的所有汽车,添加一辆保时捷向我快速驶来,同时添加一辆警车在后方追赶。视角向前移动5米,向上提升0.5米。"ChatSim能够精确执行这样复杂的多步骤编辑命令。

  3. 多轮交互编辑:系统支持用户通过多轮对话逐步完善场景。例如,用户可以先添加一辆车,然后修改其行驶方向,再添加其他车辆,ChatSim能够在保持场景一致性的同时,逐步实现用户的需求。

Image 1: teaser

技术细节与实现

  1. 环境配置

ChatSim的运行环境要求如下:

  • Ubuntu版本 >= 20.04(用于运行Blender 3.+)
  • Python >= 3.8
  • Pytorch >= 1.13
  • CUDA >= 11.6
  • COLMAP或Metashape软件(用于相机姿态校准,非必需)
  • OpenAI API密钥(也可使用NVIDIA AI提供的免费API)
  1. 系统安装

ChatSim的安装过程包括以下几个主要步骤:

  • 环境设置
  • 背景渲染引擎安装(McNeRF或3D Gaussian Splatting)
  • 图像修复工具安装
  • Blender软件及相关工具安装
  • 轨迹跟踪模块安装(可选)
  • 光照估计模块安装(可选)
  1. 数据准备

ChatSim使用Waymo开放数据集进行训练和测试。主要的数据准备步骤包括:

  • 下载并提取Waymo数据
  • 重新校准Waymo数据(提供了预校准的文件,也可自行校准)
  • 下载Blender 3D资产
  • 下载天空球HDRI数据
  1. 训练与仿真

用户可以选择训练McNeRF或3D Gaussian Splatting作为背景渲染引擎。训练完成后,可以通过简单的命令行指令启动仿真过程:

python main.py -y ${CONFIG YAML} -p "${PROMPT}" [-s ${SIMULATION NAME}]

其中,${CONFIG YAML}指定场景信息,${PROMPT}是用户的输入提示,${SIMULATION NAME}决定保存结果的文件夹名称。

未来展望

ChatSim的出现为自动驾驶场景仿真领域带来了新的可能性。它不仅提高了仿真的效率和灵活性,还为自动驾驶系统的测试和验证提供了更加丰富和真实的场景。未来,研究团队计划进一步完善系统功能,包括:

  1. 发布arXiv论文,公开代码和模型。
  2. 集成运动跟踪模块,进一步提升轨迹的平滑度和真实性。
  3. 开发多轮对话的包装代码,提升用户交互体验。

随着这些改进的实现,ChatSim有望成为自动驾驶研发中不可或缺的工具,加速自动驾驶技术的发展和落地。

结语

ChatSim的诞生标志着自动驾驶场景仿真技术迈入了一个新的阶段。通过结合大语言模型、计算机视觉和3D渲染技术,ChatSim为自动驾驶研究人员和工程师提供了一个强大而灵活的工具,使他们能够更加高效地设计、测试和优化自动驾驶系统。随着技术的不断完善和应用范围的扩大,ChatSim将为推动自动驾驶技术的进步做出重要贡献,为未来更安全、更智能的交通系统铺平道路。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多