计算机科学 > 机器人技术
[提交于 2025年7月2日
]
标题: VLAD:一种具有分层规划和可解释决策过程的VLM增强型自动驾驶框架
标题: VLAD: A VLM-Augmented Autonomous Driving Framework with Hierarchical Planning and Interpretable Decision Process
摘要: 最近在开源视觉语言模型(VLMs)如LLaVA、Qwen-VL和Llama方面的进展,推动了它们与各种系统集成的广泛研究。这些模型中包含的互联网规模的一般知识,为增强自动驾驶的感知、预测和规划能力提供了重要机遇。在本文中,我们提出了VLAD,一种视觉语言自动驾驶模型,它结合了微调的VLM和VAD,一个最先进的端到端系统。我们使用专门设计的定制问答数据集,实施了一种特殊的微调方法,旨在提高模型的空间推理能力。增强的VLM生成高层次的导航指令,VAD随后处理这些指令以指导车辆操作。此外,我们的系统生成可解释的自然语言驾驶决策说明,从而提高传统黑盒端到端架构的透明度和可信度。在真实世界nuScenes数据集上的综合评估表明,与基线方法相比,我们的集成系统将平均碰撞率降低了31.82%,为VLM增强的自动驾驶系统设立了新的基准。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.