机构名称：
¥ 1.0
摘要。自主驾驶最近在模拟和现实世界中都取得了令人印象深刻的进步，尤其是端到端方法。但是，这些模型通常充当黑匣子，并且缺乏解释性。大型语言模型（LLM）的出现通过将模块化自主驾驶与语言解释相结合，从而解决了潜在的解决方案。最新的LLM解决方案将驱动信息转换为语言，这些语言通常需要手动设计的提示，并可能导致次优信息效率。视觉语言模型（VLM）可以直接从图像中提取信息，但有时会在涉及持续驾驶场景理解和上下文推理的任务中挣扎。在本文中，我们提出了Think-Driver，这是一种视觉语言模型，该模型使用多视图图像来生成合理的驾驶决策和推理过程。我们的模型评估了感知到的交通状况，并评估当前驾驶操作的风险，从而有助于理性决策。通过闭环的话题，思想驱动器的表现优于其他视觉模型基础线，从而产生了可解释的驾驶决策，从而证明了其在未来应用中的有效性和潜力。
思维驱动器：从驾驶现场理解到视觉语言模型的决策
主要关键词
相关文件推荐
