SimpleLLM4AD：基于图像视觉问答的自动驾驶端到端视觉语言模型
原文中文，约500字，阅读约需2分钟。发表于：。通过利用视觉语言模型 (VLM)，我们提出了一种名为 SimpleLLM4AD 的端到端自动驾驶 (e2eAD) 方法，该方法将 e2eAD 任务分为四个阶段，并通过图形视觉问答 (Graph VQA) 将各阶段的 VQA 配对相互连接，逐阶段基于 VLM 对 GVQA 中的每个 VQA 配对进行推理，实现了使用语言进行端到端驾驶，实验结果表明 SimpleLLM4AD 在复杂驾驶场景中具有竞争性能。
本文介绍了如何将视觉-语言模型（VLMs）整合到端到端驾驶系统中，以增强泛化能力和与人类用户的互动。通过建立图结构推理的问答对模型，提出了Graph VQA任务，模拟人类的推理过程。构建了基于nuScenes和CARLA的数据集（DriveLM-Data），并提出了基于VLM的基准方法（DriveLM-Agent）。实验证明Graph VQA为驾驶场景的推理提供了简单和有原则的框架，DriveLM-Data为这一任务提供了具有挑战性的基准。DriveLM-Agent在端到端自动驾驶方面表现出了竞争力，尤其在未见过的对象或传感器配置上进行零样本评估时效果显著。希望这项工作能为将VLMs应用于自动驾驶提供新的启示。
