从一个新颖的3D MLLM架构开始，该架构使用稀疏查询将视觉表示提升和压缩到3D，然后将其输入LLM。
题目：OmniDrive: A Holistic LLM-Agent Framework for Autonomous Driving with 3D Perception Reasoning and Planning
作者单位：北京理工大学，NVIDIA，华中科技大学
开源地址：GitHub - NVlabs/OmniDrive
多模态大语言模型（MLLMs）的发展导致了对基于LLM的自动驾驶的兴趣不断增长，利用它们强大的推理能力。利用MLLMs强大的推理能力来改进规划行为是具有挑战性的，因为它们需要超越2D推理的完整3D情境意识。为了解决这一挑战，本工作提出了OmniDrive，这是一个关于智能体模型与3D驱动任务之间强大对齐的全面框架。框架从一个新颖的3D MLLM架构开始，该架构使用稀疏查询将观察表达提升和压缩到3D，然后将其输入LLM。这种基于查询的表达允许我们联合编码动态对象和静态地图元素（例如，交通道路），为3D中的感知-行动对齐提供了一个简洁的世界模型。进一步提出了一个新的基准，其中包括全面的视觉问答（VQA）任务，包括场景描述、交通规则、3D基础、反事实推理、决策制定和规划。广泛的研究表明，OmniDrive在复杂的3D场景中具有出色的推理和规划能力。
网络结构
实验结果
