DriveLM是一個(gè)基于語(yǔ)言的驅(qū)動(dòng)項(xiàng)目，它包含一個(gè)數(shù)據(jù)集和一個(gè)模型。通過(guò)DriveLM，我們介紹了自動(dòng)駕駛（AD）中大型語(yǔ)言模型的推理能力，以做出決策并確保可解釋的規(guī)劃。

在DriveLM的數(shù)據(jù)集中，將人工書寫的推理邏輯作為連接，促進(jìn)感知、預(yù)測(cè)和規(guī)劃（P3）。在模型中，我們提出了一個(gè)具有思維圖能力的AD視覺(jué)語(yǔ)言模型，以產(chǎn)生更好的規(guī)劃結(jié)果。目前，數(shù)據(jù)集的演示已經(jīng)發(fā)布，完整的數(shù)據(jù)集和模型將在未來(lái)發(fā)布。

項(xiàng)目鏈接：https://github.com/OpenDriveLab/DriveLM

What is Graph-of-Thoughts in AD?

數(shù)據(jù)集最令人興奮的方面是，P3中的問(wèn)答（QA）以圖形風(fēng)格的結(jié)構(gòu)連接，QA對(duì)作為每個(gè)節(jié)點(diǎn)，對(duì)象的關(guān)系作為邊。

與純語(yǔ)言的思維樹(shù)或思維圖相比，我們更傾向于多模態(tài)。在AD域中這樣做的原因是，從原始傳感器輸入到最終控制動(dòng)作，每個(gè)階段都定義了AD任務(wù)。

DriveLM數(shù)據(jù)集中包含什么？

基于主流的nuScenes數(shù)據(jù)集構(gòu)建我們的數(shù)據(jù)集。DriveLM最核心的元素是基于幀的P3 QA。感知問(wèn)題需要模型識(shí)別場(chǎng)景中的對(duì)象。預(yù)測(cè)問(wèn)題要求模型預(yù)測(cè)場(chǎng)景中重要對(duì)象的未來(lái)狀態(tài)。規(guī)劃問(wèn)題促使模型給出合理的規(guī)劃行動(dòng)，避免危險(xiǎn)的行動(dòng)。

標(biāo)定過(guò)程如何？

1. 關(guān)鍵幀選擇。給定一個(gè)剪輯中的所有幀，注釋器將選擇需要注釋的關(guān)鍵幀。標(biāo)準(zhǔn)是，這些框架應(yīng)該涉及自車運(yùn)動(dòng)狀態(tài)的變化（變道、突然停車、停車后啟動(dòng)等）。
2. 關(guān)鍵對(duì)象選擇。給定關(guān)鍵幀，注釋器需要拾取周圍六個(gè)圖像中的關(guān)鍵對(duì)象。標(biāo)準(zhǔn)是這些物體應(yīng)該能夠影響自車（交通信號(hào)燈、過(guò)街行人、其他車輛）
3. 問(wèn)答注釋。給定這些關(guān)鍵對(duì)象，我們會(huì)自動(dòng)生成關(guān)于感知、預(yù)測(cè)和規(guī)劃的單個(gè)或多個(gè)對(duì)象的問(wèn)題。更多細(xì)節(jié)可以在我們的演示數(shù)據(jù)中找到。