Awesome-Multimodal-LLM-Autonomous-Driving

Awesome-Multimodal-LLM-Autonomous-Driving

多模态大语言模型推动自动驾驶技术创新

该资源库汇集自动驾驶领域多模态大语言模型(MLLM)相关研究,全面介绍MLLM在感知、规划和控制方面的应用。内容涵盖最新模型、数据集和基准,并总结WACV 2024 LLVM-AD研讨会成果。项目探讨了MLLM应用于自动驾驶系统的挑战和机遇,为研究人员和工程师提供了解该前沿领域发展的宝贵参考。

多模态大语言模型自动驾驶计算机视觉人工智能WACVGithub开源项目

多模态大语言模型在自动驾驶领域的应用调研

我们在仓库中新增了来自CVPR 2024的参考文献,部分参考文献来自自动驾驶之心

:boom: 最新消息:我们团队的MAPLM(腾讯、伊利诺伊大学香槟分校)和LaMPilot(普渡大学)被CVPR 2024接收。

消息:LLVM-AD研讨会在WACV 2024上成功举办。

现场照片

WACV 2024会议论文集 | Arxiv | 研讨会 | 机器之心报道

第一届WACV自动驾驶大语言和视觉模型研讨会(LLVM-AD)总结

摘要

随着大语言模型(LLMs)和视觉基础模型(VFMs)的出现,受益于大模型的多模态人工智能系统有潜力像人类一样感知真实世界、做出决策并控制工具。近几个月来,大语言模型在自动驾驶和地图系统中引起了广泛关注。尽管潜力巨大,但在将其应用于大语言模型驾驶系统方面,仍然缺乏对关键挑战、机遇和未来努力方向的全面理解。在这个仓库中,我们对该领域进行了系统性调查。首先,我们介绍了多模态大语言模型(MLLMs)的背景、使用大语言模型开发多模态模型的情况以及自动驾驶的历史。然后,我们概述了现有的用于驾驶、交通和地图系统的MLLM工具,以及现有的数据集和基准。此外,我们总结了第一届WACV自动驾驶大语言和视觉模型研讨会(LLVM-AD)的工作,这是首个关于自动驾驶中大语言模型的同类研讨会。为进一步推动该领域的发展,我们还讨论了在自动驾驶系统中使用MLLMs需要学术界和产业界共同解决的几个重要问题。

精选论文

用于自动驾驶感知、规划和控制的MLLM

如果您发现该领域有任何有趣的新论文,请告知我们。我们将更新到表格中。所有这些论文都将被收录到下一版调研论文中。

模型年份骨干网络任务模态学习方式输入输出
用LLMs驾驶2023LLaMA感知控制视觉、语言微调向量查询响应/动作
Talk2BEV2023Flan5XXL Vicuna-13b感知规划视觉、语言上下文学习图像查询响应
GAIA-12023-规划视觉、语言预训练视频提示视频
Dilu2023GPT-3.5 GPT-4规划控制语言上下文学习文本动作
像说话一样驾驶2023GPT-4规划语言上下文学习文本代码
接收、推理和反应2023GPT-4规划控制语言上下文学习文本动作
像人类一样驾驶2023GPT-3.5规划控制语言上下文学习文本动作
GPT-Driver2023GPT-3.5规划视觉、语言上下文学习文本轨迹
SurrealDriver2023GPT-4规划控制语言上下文学习文本文本/动作
LanguageMPC2023GPT-3.5规划语言上下文学习文本动作
DriveGPT42023Llama 2规划控制视觉、语言上下文学习图像文本动作文本/动作
从LLMs提取领域知识2023GPT-3.5文本生成语言上下文学习文本概念
LaMPilot2023GPT-4 / LLaMA-2 / PaLM2规划(代码生成)语言上下文学习文本代码作为动作
语言代理2023GPT-3.5规划语言训练文本动作
LMDrive2023CARLA + LLaVA规划控制视觉、语言训练RGB图像LiDAR文本控制信号
使用GPT-4V(ision)在路上2023GPT-4Vision感知视觉、语言上下文学习RGB图像文本文本描述
DriveLLM2023GPT-4规划控制语言上下文学习文本动作
DriveMLM2023LLaMA+Q-Former感知规划视觉、语言训练RGB图像LiDAR文本决策状态
DriveLM2023GVQA感知规划视觉、语言训练RGB图像文本文本/动作
LangProp2024IL, DAgger, RL + ChatGPT规划(代码/动作生成)CARLA模拟器视觉、语言训练CARLA模拟器文本代码作为动作
LimSim++2024LimSim, GPT-4规划模拟器BEV、语言上下文学习模拟器视觉、语言文本/动作
DriveVLM2024Qwen-VL规划图像序列、语言训练视觉、语言文本/动作
RAG-Driver2024Vicuna1.5-7B规划控制视频、语言训练视觉、语言文本/动作
ChatSim2024GPT-4感知(图像编辑)图像、语言上下文学习视觉、语言图像
VLP2024CLIP文本编码器规划图像、语言训练视觉、语言文本/动作

数据集

该表格的灵感来自DriveLM中的比较和统计数据

数据集基础数据集语言形式视角规模发布情况
BDD-X 2018BDD描述规划描述与理由800万帧,2万条文本:heavy_check_mark:
HAD HRI Advice 2019HDD建议目标导向与刺激驱动建议5,675个视频片段,4.5万条文本:heavy_check_mark:
Talk2Car 2019nuScenes描述目标点描述3万帧,1万条文本:heavy_check_mark:
SUTD-TrafficQA 2021自行收集问答问答1万帧,6.2万条文本:heavy_check_mark:
DRAMA 2022自行收集描述问答 + 字幕1.8万帧,10万条文本:heavy_check_mark:
nuScenes-QA 2023nuScenes问答感知结果3万帧,46万个生成的问答对nuScenes-QA
Reason2Drive 2023nuScenes, Waymo, ONCE问答感知、预测和推理60万视频-文本对Reason2Drive
Rank2Tell 2023自行收集问答风险定位和排序116个视频片段(每个20秒)Rank2Tell
DriveLM 2023nuScenes问答 + 场景描述带逻辑的感知、预测和规划3万帧,36万个标注问答对DriveLM
MAPLM 2023THMA问答 + 场景描述感知、预测和高精地图标注200万帧,1600万标注高精地图描述 + 1.3万个发布的问答对MAPLM
LingoQA 2023Wayve收集问答感知和规划2.8万帧,41.99万问答 + 字幕LingoQA

其他综述论文

模型年份重点
自动驾驶和智能交通系统中的视觉语言模型2023交通系统的视觉-语言模型
LLM4Drive: 自动驾驶大型语言模型综述2023自动驾驶的语言模型
走向知识驱动的自动驾驶2023总结如何使用大型语言模型、世界模型和神经渲染来贡献更全面、适应性强和智能的自动驾驶系统
大规模基础模型在自动驾驶中的应用2023自动驾驶的大规模基础模型(LLMs, VLMs, VFMs, 世界模型)
自动驾驶中以数据为中心的演变:大数据系统、数据挖掘和闭环技术的综合调查2023闭环自动驾驶
自动驾驶数据集调查:数据统计、标注和展望2024自动驾驶数据集
自动驾驶基础模型综述2024自动驾驶的多模态基础模型

WACV 2024 LLVM-AD接受的论文

自动驾驶多模态大型语言模型综述

像您说话那样驾驶:实现自动驾驶车辆中与大型语言模型的类人交互

像人类一样驾驶:用大型语言模型重新思考自动驾驶

光束平差的游戏 - 学习高效收敛 接受为ICCV 2023论文的技术报告

VLAAD:自动驾驶的视觉和语言助手

一种更安全的基于视觉的四旋翼无人机自主规划系统,具有动态障碍物轨迹预测功能及其与LLMs的应用

使用LLMs进行用户命令推理的以人为本的自主系统

NuScenes-MQA:使用标记注释对自动驾驶数据集的字幕和问答进行综合评估 基于语义分割的多分支CNN的延迟驱动空间稀疏优化

LIP-Loc: 用于跨模态定位的激光雷达图像预训练

未来方向部分

自动驾驶的社会行为(伊利诺伊大学厄巴纳-香槟分校,普渡大学)

个性化自动驾驶(普渡大学,伊利诺伊大学厄巴纳-香槟分校)

自动驾驶中大语言模型的硬件支持(SambaNova Systems)

用于高清地图的大语言模型(腾讯)

自动驾驶的代码即行动(普渡大学,伊利诺伊大学厄巴纳-香槟分校)

引用

如果本调研和我们的研讨会对您有启发,请引用我们的工作:

@inproceedings{cui2024survey,
  title={自动驾驶多模态大语言模型调研},
  author={崔灿 and 马云生 and 曹旭 and 叶文谦 and 周洋 and 梁凯钊 and 陈金泰 and 卢隽武 and 杨子聪 and 廖奎达 等},
  booktitle={计算机视觉与模式识别冬季会议论文集},
  pages={958--979},
  year={2024}
}

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