本研究探讨了视觉语言模型在理解虚拟物体方面的不足，测试了AI系统的场景理解能力，发现其在处理虚拟对象时表现不佳，揭示了多模态输入处理的局限性。

本文探讨了图神经网络（GNN）与定性可解释图（QXG）在自动驾驶场景理解中的结合，提出了一种新颖的GNN架构，能够有效识别交通场景中的相关对象，实验结果表明其在对象识别任务中表现优异。

本研究提出了PRIMEDrive-CoT框架，旨在解决自驾模型在不确定性场景中的不足。该框架结合激光雷达与多视角RGB信息，通过贝叶斯图神经网络实现目标交互的概率推理，提升了场景理解的可解释性与可靠性。研究结果表明，PRIMEDrive-CoT在DriveCoT数据集上优于现有模型，展示了在复杂环境中处理不确定性的潜力。

本研究提出了一种名为Ross3D的重构视觉指令调优方法，旨在解决大规模三维视觉-语言数据集的缺乏问题。该方法通过三维视觉监督，提升了三维场景理解的性能，并展示了未标记三维数据的潜力。

本研究提出CoT-Drive，通过大型语言模型和链式思维提示，提升自动驾驶中的运动预测准确性。采用知识蒸馏策略，将场景理解能力转移至轻量级模型，实现实时操作，显著增强复杂交通环境中的预测准确性和鲁棒性。

本文总结了低成本稳定的2.5/3D视觉感知器件在室内环境视觉场景理解中的应用，探讨了数据表示、核心技术和性能评价。研究提出了基于场景图的三维语义理解、语义视图综合和视觉转换器等多种方法，以提高场景理解的准确性和多样性，并分析了不同视觉编码模型的优缺点，强调了未来选择编码器的灵活性。

本文介绍了一系列基于深度学习的视觉推理和场景理解方法，包括强化学习、类比推理和对象中心生成模型。尽管现有模型在特定任务上表现良好，但在抽象视觉推理和复杂场景中仍面临挑战。新提出的可解释性方法FovEx在模型重要区域定位上表现优越，具有实际应用潜力。

本文介绍了多种基于图结构和神经网络的机器人场景理解方法，如图卷积网络、神经隐式场和空间本体构建。这些方法在室内外环境中有效提升了语义推断、目标导航和房间布局估计的精度，并展示了在稀疏数据下生成高质量3D场景图的潜力。

本文探讨了自动驾驶中3D场景演变的重要性，提出了多种模型（如OccWorld、DriveVLM、3D-VLA）以提升场景理解和决策能力。这些模型在复杂驾驶条件下表现优异，强调了改进基础模型以适应真实动态环境的必要性。此外，CoVLA数据集为多模态大语言模型提供了支持，推动了自动驾驶技术的发展。

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，评估了其在场景理解和因果推理方面的表现，并指出了方向辨别和交通信号识别等挑战。研究提出了DriveVLM和DriveDreamer-2等新系统，展示了生成视频和数据集在提升自动驾驶性能中的潜力，并强调了改进模型以适应真实动态环境的必要性。

本文探讨了基于加性关注机制和大型语言模型的场景理解方法，旨在解决场景图生成中的对象关系长尾分布问题。实验结果表明，这些方法在视觉输入、物体重新摆布和人机交互等任务中表现优越，提升了机器人在复杂环境中的操作能力和灵活性。

该论文研究了自动驾驶中的高精度3D物体检测，提出了MV3D框架，结合LIDAR和RGB图像，显著提升了3D定位和检测性能。还介绍了多个大规模数据集和新方法，以解决恶劣天气下的感知问题，并提高开放词汇3D场景理解的准确性。

本文介绍了多种3D大型语言模型（3D-LLMs），如Chat-3D、LL3DA和Scene-LLM，强调它们在3D场景理解、问答和交互规划中的应用与优势。这些模型结合了3D点云和语言处理能力，显著提升了对复杂3D环境的理解和互动能力，推动了3D视觉理解领域的发展。

本文介绍了新数据集“InScope”，旨在解决自动驾驶中的遮挡问题，提升3D多物体检测和跟踪性能。研究分析了现有感知数据集，提出了多机器人协同感知数据集，涵盖多种环境和传感器，推动相关研究。还介绍了多个合成和真实世界数据集，以支持自动驾驶系统的场景理解和性能评估。

本文提出了一个全面的多机器人协同感知数据集，旨在推动该领域的研究。该数据集结合空中与地面机器人的协同，提供多样化的传感器视角和高级感知注释，以促进多机器人协同感知算法的发展。通过多个任务验证了数据集的价值，期望提升多模态协同感知的场景理解能力。