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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多