Vista

通用自动驾驶世界模型实现高保真多场景预测

Vista是一款通用自动驾驶世界模型，可在多种场景中生成高保真度的预测，并扩展至连续和长期视野。模型支持多模态操作控制，包括转向、速度、指令、轨迹和目标点设定，无需真实操作数据即可评估不同行为。Vista在预测精度和操控灵活性上有显著提升，为自动驾驶技术研究提供了有力支持。

Github

Huggingface

文档

论文

介绍相关项目

DriveMLM - 融合大语言模型的自动驾驶行为规划框架

DriveMLMGithub多模态大语言模型开源项目自动驾驶行为规划

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。

Autonomous-Driving-in-Carla-using-Deep-Reinforcement-Learning - CARLA仿真中的深度强化学习自动驾驶模型

CARLAGithubPPO变分自编码器开源项目深度强化学习自动驾驶

该项目在CARLA仿真环境中，使用深度强化学习方法进行自动驾驶训练。通过结合PPO算法和变分自编码器（VAE），加速学习并提高驾驶决策能力。项目采用Python和PyTorch构建，重点在于自动驾驶和障碍物回避的持续学习。对于推动自动驾驶技术和决策效率研究具有显著意义。

MathVista - 视觉数学推理评估基准

GithubMathVista多模态模型大语言模型开源项目数学推理视觉理解

MathVista是一个评估AI模型视觉数学推理能力的基准测试。该数据集包含6,141个样本，涵盖31个多模态数据集。任务要求模型具备深度视觉理解和复合推理能力,对当前顶尖AI模型构成挑战。MathVista为研究人员提供了一个衡量AI模型在视觉数学任务中表现的标准化工具。

Cam2BEV - 深度学习实现多视角车载图像到语义分割鸟瞰图转换

Cam2BEVGithub开源项目深度学习自动驾驶语义分割鸟瞰图

该项目提出一种深度学习方法,将多个车载摄像头图像转换为语义分割鸟瞰图(BEV)。采用合成数据集训练,可良好泛化到真实场景。方法使用语义分割图像作为输入,缩小了仿真与真实数据的差距,无需手动标注。项目开源了代码、网络架构和数据集,适用于自动驾驶环境感知研究。相比传统逆透视映射,该方法在处理3D物体和遮挡区域时表现更佳。

bevfusion - 具有统一鸟瞰图表示的多任务多传感器融合

3D目标检测BEVFusionGithub多传感器融合开源项目自主驾驶鸟瞰图表示

BEVFusion是一个有效的多任务多传感器融合框架，通过在共享的鸟瞰视角表示空间中统一多模态特征，解决了传统点级融合方法的局限性。其优化的视角转换和显著降迟特性使其在各种3D感知任务中表现出色。该框架在提升3D物体检测和BEV图分割性能的同时，大幅降低计算成本，树立了新行业标杆。

VILA - 创新的视觉语言模型预训练方法

GithubVILA多模态开源项目视觉语言模型量化预训练

VILA是一种新型视觉语言模型，采用大规模交错图像-文本数据预训练，增强了视频和多图像理解能力。通过AWQ 4位量化和TinyChat框架，VILA可部署到边缘设备。该模型在视频推理、上下文学习和视觉思维链等方面表现出色，并在多项基准测试中获得了优异成绩。项目完全开源，包括训练和评估代码、数据集以及模型检查点。

VisionLLaMA - 基于LLaMA的统一视觉模型，为图像生成和理解设立新基准

GithubVisionLLaMA图像理解图像生成开源项目计算机视觉预训练模型

VisionLLaMA是一个基于LLaMA架构的统一视觉Transformer模型，专为处理2D图像而设计。该模型提供平面和金字塔两种形式，适用于广泛的视觉任务，包括图像感知和生成。通过各种预训练范式的广泛评估，VisionLLaMA在多项图像生成和理解任务中展现出卓越性能，超越了现有最先进的视觉Transformer模型，为计算机视觉领域提供了新的基准。

DSVT - 易于部署的大规模点云3D对象检测系统

3D对象检测CVPR 2023DSVTGithubWaymo动态稀疏体素转化器开源项目

DSVT是一款高效且易于部署的大规模点云3D对象检测系统，适用于Waymo和NuScenes等数据集。通过动态稀疏体素变换器和旋转集合分区策略，DSVT实现了27Hz的实时推理速度，提供了在单帧和多帧检测中的卓越表现，适用于自动驾驶等场景。

VILA1.5-13b - 多图像推理与跨设备应用的视觉语言模型

GithubHuggingfaceTransformerVILA多图推理多模态开源项目模型视觉语言模型

此页面介绍VILA模型，一种用于多模态研究的视觉语言模型，通过大规模图文数据预训练，提升多重推理能力。VILA支持多图像推理、情境学习，并提供更丰富的知识表现。通过AWQ 4bit量化，模型适用于Jetson Orin等边缘设备，兼顾性能与兼容性。适合计算机视觉与自然语言处理结合的研究者，支持Linux系统，具备出色的指令跟随和视觉推理能力。

Learning-Deep-Learning - 自动驾驶与深度学习前沿技术论文笔记集锦

Github开源项目机器学习深度学习自动驾驶计算机视觉论文阅读

这个项目汇集了深度学习和机器学习领域的论文阅读笔记，重点关注自动驾驶技术。涵盖BEV感知、语义占用预测、可行驶空间检测和3D目标检测等热门研究方向。同时收录了多篇综述文章，全面呈现自动驾驶领域的最新进展和技术动向。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com