VLM-E2E:通过多模态驾驶员注意融合增强端到端自动驾驶——论文阅读

《VLM-E2E Enhancing End-to-End Autonomous Driving with Multimodal Driver Attention Fusion》 2025年2月发表,来自香港科大广州分校、理想汽车和厦门大学的论文。

一、核心问题与动机

现有端到端(E2E)自动驾驶系统直接从传感器输入映射到控制信号,但缺乏对驾驶员注意力语义 的显式建模,导致在复杂场景(如密集车流、路口交互)中决策能力受限。人类驾驶员通过动态关注关键信息(如交通信号灯、行人)进行决策,而现有系统难以模拟这种能力。论文提出利用**视觉语言模型(VLMs)**的高层次语义理解能力,将文本描述与鸟瞰图(BEV)特征融合,以增强自动驾驶系统的语义感知和决策能力。

二、核心贡献与创新
  1. VLM-E2E框架

    将VLMs与BEV模块直接集成,而非仅用于决策模块,实现几何特征(BEV)与语义特征(文本)的深度融合,增强场景理解的全面性。

  2. BEV-Text可学习加权融合策略

    通过动态调整BEV与文本特征的权重(公式4),根据任务需求自适应分配模态重要性(如车道保持优先BEV,红灯检测优先文本),解决多模态融合中的重要性不平衡问题。

  3. 语义修正机制

    针对VLM的幻觉问题(生成不准确描述),结合真值(GT)标签和高层机动意图(如转向、直行)修正文本描述,确保语义与驾驶任务对齐。

  4. 实验验证

    在nuScenes数据集上,VLM-E2E在感知(IoU)、预测(PQ/RQ/SQ)和规划(L2距离、碰撞率)任务中均超越基线模型(如ST-P3),尤其在长期规划(3秒碰撞率降低至1.17%)表现突出。

三、方法详述
  1. VLM-Based文本标注生成

    • 输入:前端摄像头图像 + 任务提示(如"注意行人")。

    • 流程

      1. 使用BLIP-2生成初步文本描述(公式1),提取关键语义(如"前方红灯")。

      2. 利用GT标签和机动意图修正描述,过滤无关信息(如广告牌)。

      3. 通过CLIP模型编码文本为特征向量(公式2),对齐BEV视觉特征。

  2. BEV-Text动态融合

    • 文本编码:CLIP模型生成低维文本特征(77维),计算缩放因子(γ)和偏置(β)(公式3)。

    • 特征调制:对BEV特征进行加权调整(公式4),保留残差连接以稳定训练:

    • 动态权重:模型根据场景需求自动分配模态权重(如复杂路口增强文本特征)。

  3. 时空BEV感知与预测

    • BEV构建:多摄像头图像通过EfficientNet-b4提取特征,结合深度估计投影到3D空间,聚合为BEV表示(公式5-7)。

    • 时序建模:对齐历史BEV帧(公式6),通过时空Transformer捕捉动态演化(公式7)。

    • 概率未来预测 :使用条件变分框架(公式8-10)生成多模态轨迹,优化KL散度损失以覆盖可能未来。

  4. 注意力引导规划

    • 轨迹生成:基于BEV-Text融合特征生成候选轨迹,结合占用场和地图信息计算安全得分(公式11)。

    • 动态调整:利用前端摄像头特征(如交通信号灯)通过GRU网络迭代优化轨迹,确保符合交规。


四、实验与结果
  1. 感知任务

    • IoU提升:车辆检测(0.75%↑)、行人检测(24.4%↑),关键类别显著优化。

    • 原因:文本语义增强对动态目标的关注(如遮挡行人)。

  2. 预测任务

    • PQ(全景质量):29.83(ST-P3为27.56),表明实例分割与语义分类更精准。

    • 时序一致性:通过历史BEV对齐,减少动态目标误检。

  3. 规划任务

    • 碰撞率:3秒碰撞率1.17%(基线为1.83%),长期安全性提升。

    • L2距离:3秒误差2.68(接近人类驾驶),轨迹更平滑自然。


五、局限性及未来方向
  • 模态限制:当前仅融合视觉与文本,未来可扩展至激光雷达/雷达。

  • 实时性:VLM推理可能增加延迟,需优化轻量化部署(如模型蒸馏)。

  • 长尾场景:需进一步验证极端天气/罕见事件的泛化性。


六、总结

VLM-E2E通过语义-几何联合建模动态多模态融合,显著提升自动驾驶系统在复杂场景下的感知与决策能力。其核心创新在于将VLMs的高层语义理解与BEV的几何感知结合,模拟人类驾驶员的注意力机制,为端到端自动驾驶提供更安全、可解释的解决方案。

如果此文章对您有所帮助,那就请点个赞吧,收藏+关注 那就更棒啦,十分感谢!!!
相关推荐
沉默媛2 小时前
【论文阅读】InnerGS: Internal Scenes Rendering via Factorized 3D Gaussian Splatting
论文阅读·3dgs·内部精细结果重建
nju_spy3 小时前
Kaggle - LLM Science Exam 大模型做科学选择题
人工智能·机器学习·大模型·rag·南京大学·gpu分布计算·wikipedia 维基百科
Wilber的技术分享5 小时前
【大模型实战笔记 1】Prompt-Tuning方法
人工智能·笔记·机器学习·大模型·llm·prompt
博大世界6 小时前
解剖智驾“大脑”:一文读懂自动驾驶系统软件架构
人工智能·机器学习·自动驾驶
居7然6 小时前
从零开始学大模型之预训练语言模型
人工智能·语言模型·自然语言处理·大模型
czijin11 小时前
【论文阅读】Security of Language Models for Code: A Systematic Literature Review
论文阅读·人工智能·安全·语言模型·软件工程
地平线开发者11 小时前
征程 6E/M|多 camera 场景示例
算法·自动驾驶
地平线开发者12 小时前
理想汽车智驾方案介绍 4 | World model + 强化学习重建自动驾驶交互环境
算法·自动驾驶
安逸sgr14 小时前
Zotero白嫖腾讯云翻译
论文阅读·云计算·腾讯云
飞机火车巴雷特18 小时前
【论文阅读】LightThinker: Thinking Step-by-Step Compression (EMNLP 2025)
论文阅读·人工智能·大模型·cot