DriveMLM

DriveMLM

融合大语言模型的自动驾驶行为规划框架

DriveMLM是一个创新的自动驾驶框架,融合了大语言模型技术。该框架通过标准化决策状态、采用多模态大语言模型进行行为规划,并设计数据引擎收集训练数据,实现了在真实模拟环境中的闭环自动驾驶。在CARLA Town05 Long测试中,DriveMLM获得76.1分的驾驶得分,比Apollo基准高出4.7分。这一成果为大语言模型在自动驾驶领域的应用提供了新的研究方向。

DriveMLM自动驾驶大语言模型行为规划多模态Github开源项目

DriveMLM

大型语言模型(LLM)为智能代理开启了新的可能性,赋予它们类人的思维和认知能力。在这项工作中,我们深入探讨了大型语言模型在自动驾驶(AD)中的潜力。我们提出了DriveMLM,一个基于LLM的自动驾驶框架,可以在真实模拟器中执行闭环自动驾驶。为此,(1)我们通过根据现成的运动规划模块标准化决策状态,来弥合语言决策和车辆控制命令之间的差距。(2)我们采用多模态LLM(MLLM)来模拟模块化自动驾驶系统的行为规划模块,该模块使用驾驶规则、用户命令和来自各种传感器(例如,摄像头、激光雷达)的输入作为输入,做出驾驶决策并提供解释;这个模型可以即插即用地应用于现有的自动驾驶系统,如Apollo,实现闭环驾驶。(3)我们设计了一个有效的数据引擎,用于收集包含决策状态和相应解释注释的数据集,以进行模型训练和评估。我们进行了广泛的实验,结果表明我们的模型在CARLA Town05 Long上达到了76.1的驾驶得分,在相同设置下超过Apollo基准线4.7分,证明了我们模型的有效性。我们希望这项工作能够作为使用LLM进行自动驾驶的基准。

<img width="600" alt="image" src="https://yellow-cdn.veclightyear.com/835a84d5/248824c8-2a1c-47c2-96ff-bd01ad88c15b.jpg">

🗓️ 计划

  • 发布数据集和注释
  • 发布代码和模型

🏠 概述

<img width="800" alt="image" src="https://yellow-cdn.veclightyear.com/835a84d5/16bcc642-8d70-4699-9979-4a001017672b.jpg">

🎁 主要特点

  • 遵循人类指令。<br> <img width="400" alt="image" src="https://yellow-cdn.veclightyear.com/835a84d5/667c0152-8a29-4f31-bafc-8ccbfa957091.jpg"> <br>
  • 处理更多场景。<br> <img width="800" alt="image" src="https://yellow-cdn.veclightyear.com/835a84d5/bee1339b-655b-4be1-98e3-df36d41c4da6.jpg"> <br>
  • nuScenes上的示例。<br> <img width="800" alt="image" src="https://yellow-cdn.veclightyear.com/835a84d5/d0955cce-ade2-4102-b93f-3fd379b3d430.jpg"> <br>

🎫 许可证

本项目根据Apache 2.0许可证发布。

🖊️ 引用

如果您发现这个项目对您的研究有用,请考虑引用:

@article{wang2023drivemlm, title={DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous Driving}, author={Wang, Wenhai and Xie, Jiangwei and Hu, ChuanYang and Zou, Haoming and Fan, Jianan and Tong, Wenwen and Wen, Yang and Wu, Silei and Deng, Hanming and Li, Zhiqi and others}, journal={arXiv preprint arXiv:2312.09245}, year={2023} }

编辑推荐精选

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多