懂AI
GPT-Driver

GPT-Driver

将GPT-3.5模型用于自动驾驶运动规划的简便方法

GPT-Driver项目将自动驾驶的运动规划问题转化为语言建模问题，利用大型语言模型的推理和泛化能力生成驾驶轨迹。通过提示-推理-微调策略，模型能够精确描述轨迹坐标并解释决策过程。实验结果显示，在大规模nuScenes数据集上，该方法表现出色，具备有效性、泛化能力和可解释性。

GPT-Driver自动驾驶运动规划大型语言模型arXivGithub开源项目
GitHub论文文档

项目介绍：GPT-Driver

GPT-Driver 是一个创新项目，旨在将 OpenAI 的 GPT-3.5 模型转变为一种可靠的自动驾驶运动规划工具。这个项目通过简化的框架和有效的方法，展示了如何利用大型语言模型（LLM）的强大推理能力来改进自动驾驶的运动规划。

背景与问题

运动规划是自动驾驶技术中核心的挑战之一，它的目标是规划出一条安全且舒适的驾驶轨迹。现有的运动规划器主要依赖启发式方法来预测驾驶轨迹，但是这些方法在面对新的和未见过的驾驶场景时，常常显现出推广能力的不足。

创新方法

在这篇工作中，提出了一种新的运动规划方法，将其转化为一个语言建模问题。这种观点是前所未有的。在具体实现中，GPT-Driver 将运动规划的输入和输出表示为语言符号，然后利用语言模型生成通过坐标位置描述的驾驶轨迹。

该项目还提出了一种新的提示-推理-微调策略，激发模型的数值推理潜力。这一策略使得语言模型可以在自然语言中描述非常精确的轨迹坐标，并阐述其内部决策过程。

实验与验证

GPT-Driver 使用了大规模的 nuScenes 数据集进行评估，广泛的实验结果证明了其基于 GPT 的运动规划工具的有效性、推广能力和可解释性。

安装与数据准备

  • 安装：首先需要将该项目克隆到本地，并安装所需的 Python 库。
  • 数据准备：需要从 Google Drive 下载用于实验的数据，包括预处理的 nuScenes 信息和 UniAD 预训练模型的结果文件。

微调模型

该项目使用 OpenAI API 进行模型微调。用户需要一个 OpenAI API 账户，并生成一个 API 密钥。在完成数据上传和微调任务后，用户将收到一个微调完成的模型 ID，用于后续的评估。

评估与成本

要评估运动规划的性能，用户可以使用项目中提供的脚本，对生成的轨迹进行验证。微调过程需要一定的费用，根据微调数据量和复杂度，可能需要大约 80 美金。

引用

如果该项目对您的研究有帮助，请考虑引用以下文献：

@article{gptdriver,
  title={GPT-Driver: Learning to Drive with GPT},
  author={Mao, Jiageng and Qian, Yuxi and Zhao, Hang and Wang, Yue},
  year={2023}
}

通过这些简单易懂的步骤，用户可以更好地理解和运用 GPT-Driver 项目，将最先进的语言模型技术应用于自动驾驶的运动规划中。

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