本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

從一個新穎的3D MLLM架構開始，該架構使用稀疏查詢將視覺表示提升和壓縮到3D，然后將其輸入LLM。

題目：OmniDrive: A Holistic LLM-Agent Framework for Autonomous Driving with 3D Perception Reasoning and Planning

作者單位：北京理工大學，NVIDIA，華中科技大學

開源地址：GitHub - NVlabs/OmniDrive

多模態大語言模型（MLLMs）的進展導致了對基于LLM的自動駕駛的興趣不斷增長，以利用它們強大的推理能力。然而，利用MLLMs強大的推理能力來改進規劃行為是具有挑戰性的，因為它需要超越2D推理的完整3D情境意識。為了解決這一挑戰，本工作提出了OmniDrive，這是一個關于智能體模型與3D駕駛任務之間強大對齊的全面框架。框架從一個新穎的3D MLLM架構開始，該架構使用稀疏查詢將視覺表示提升和壓縮到3D，然后將其輸入LLM。這種基于查詢的表示允許我們聯合編碼動態對象和靜態地圖元素（例如，交通車道），為3D中的感知-行動對齊提供了一個簡潔的世界模型。進一步提出了一個新的基準，其中包括全面的視覺問答（VQA）任務，包括場景描述、交通規則、3D基礎、反事實推理、決策制定和規劃。廣泛的研究表明，OmniDrive在復雜的3D場景中具有出色的推理和規劃能力。

網絡結構

實驗結果