DriveGenVLM：基于视觉语言模型的真实世界视频生成用于自主驾驶

该研究综述了视觉语言模型（VLM）在自动驾驶和智能交通系统中的应用，探讨了当前模型和数据集的潜在应用及研究方向。

研究评估了VLM在场景理解和因果推理方面的表现，指出在方向辨别、交通信号识别等方面仍存在挑战。

DriveVLM系统通过思维链模块实现场景描述和规划，DriveVLM-Dual解决了空间推理和计算需求的限制，证明了其在复杂驾驶条件下的有效性。

DriveDreamer-2是第一个使用大型语言模型生成定制驾驶视频的系统，生成的视频质量显著提高，训练效果优于其他方法。

研究揭示了多模态大型语言模型（MLLMs）在动态驾驶环境中的不足，强调了改进模型以提高适用性的必要性。

提出了基于扩散的长视频生成方法Delphi，能够生成高质量的长视频，显著提升自动驾驶模型的规划性能。

CoVLA数据集包含超过80小时的真实驾驶视频，推动了多模态大语言模型在视觉、语言和动作处理方面的能力。

GenDDS方法利用潜在扩散模型生成多样化的驾驶场景，为自主驾驶系统的训练数据发展提供了新解决方案。