論文の概要: Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.00111v1
- Date: Mon, 31 Aug 2026 17:59:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:35.880035
- Title: Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving
- Title（参考訳）: Qwen-Drive-1.0: 自動運転のためのビジョンランゲージ基礎モデルに向けた最初のステップ
- Abstract要約: Qwen-Drive-1.0は、自動運転のためのビジョン言語基盤モデルに向けた最初のステップである。
Qwen-Drive-1.0は、事前訓練された視覚言語モデル(VLM)のアーキテクチャを保持し、統合されたフレームワーク内に3D知覚、視覚的質問応答、モーションプランニングを統合する。
- 参考スコア（独自算出の注目度）: 68.31544904268218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Qwen-Drive-1.0, an initial step towards a vision-language foundation model for autonomous driving. Qwen-Drive-1.0 retains the architecture of the pretrained vision-language model (VLM) and integrates 3D perception, visual question answering, and motion planning within a unified framework. An external bird's-eye-view (BEV) perception head jointly performs 3D object detection, semantic occupancy prediction, and BEV map segmentation. It serves as a probe of the 3D information accessible from the shared representations and provides an explicit, inspectable interface to 3D scene structure. A Planning Expert conditions on shared VLM representations to generate future ego trajectories. A staged training recipe combines driving supervision with general-purpose vision-language data to acquire driving-specific competence while helping preserve broad visual understanding and instruction-following capabilities. Experiments demonstrate strong 3D perception and driving scene understanding while largely preserving general vision-language capability. Comprehensive evaluations across open-loop, pseudo-closed-loop, and closed-loop settings further show highly competitive motion-planning performance.
- Abstract（参考訳）: Qwen-Drive-1.0は、自動運転のためのビジョン言語基盤モデルに向けた最初のステップである。
Qwen-Drive-1.0は、事前訓練された視覚言語モデル(VLM)のアーキテクチャを保持し、統合されたフレームワーク内に3D知覚、視覚的質問応答、モーションプランニングを統合する。
外部の鳥眼視(BEV)知覚ヘッドは、共同で3Dオブジェクト検出、セマンティック占有予測、BEVマップセグメンテーションを行う。
共有表現からアクセス可能な3D情報のプローブとして機能し、3Dシーン構造に対して明示的で検査可能なインターフェースを提供する。
将来のエゴ軌道を生成するための共有VLM表現に関するプランニングエキスパート条件
段階的なトレーニングレシピは、運転監督と汎用的な視覚言語データを組み合わせて、幅広い視覚的理解と指示追従能力を維持しながら、運転固有の能力を取得する。
実験では、3次元の知覚とシーン理解が強く、一般的な視覚言語能力は保たれている。
オープンループ、擬似クローズドループ、クローズドループ設定の総合評価は、さらに高い競争力を持つモーションプランニング性能を示す。
関連論文リスト
- A DVDrive Approach for doScenes Instructed Driving Challenge [42.41052099695495]
本稿では,OmniDrive上に構築されたdoScenes Instructed Driving Challengeについて述べる。
OmniDriveをdoScenes設定に適応させ、命令付のnuScenesシーンでトレーニングします。
マルチビューの視覚的グラウンドを改善するために,DVPE方式の分割ビュー認識モジュールを導入する。
論文 参考訳（メタデータ） (2026-06-19T17:26:58Z) - AwareVLN: Reasoning with Self-awareness for Vision-Language Navigation [78.80536515102305]
VLN(Vision-and-Language Navigation)は、エージェントが視覚環境内の自身の動きに言語命令を接地する必要がある。
本稿では,ナビゲーションモデルに自己認識推論機構を備えた新しいフレームワークであるAwareVLNを提案する。
提案手法は,(1)空間的およびタスク指向の自己認識を促進する構造的推論モジュール,(2)効果的な学習のための進歩分担付き自動データエンジンの2つの重要な革新を特徴とする。
論文 参考訳（メタデータ） (2026-05-21T17:58:26Z) - UniDriveVLA: Unifying Understanding, Perception, and Action Planning for Autonomous Driving [48.461267171124945]
自動運転のためのUnified Driving Vision-Language-ActionモデルであるUniDriveVLAを提案する。
理解、シーン認識、行動計画の3つの専門家で構成されており、マスク付き共同注意を通して調整されている。
nuScenesのオープンループ評価とBench2Driveのクローズループ評価における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-02T15:48:45Z) - VR-Drive: Viewpoint-Robust End-to-End Driving with Feed-Forward 3D Gaussian Splatting [47.78433964322689]
VR-Driveは、3Dシーン再構築を共同で学習することで視点一般化に対処する新しいE2E-ADフレームワークである。
我々の結果は、VR-Driveがエンドツーエンドの自動運転システムの現実的な展開のためのスケーラブルで堅牢なソリューションであることを実証している。
論文 参考訳（メタデータ） (2025-10-27T10:49:39Z) - OmniDrive: A Holistic Vision-Language Dataset for Autonomous Driving with Counterfactual Reasoning [68.45848423501927]
本稿では,エージェントモデルと3次元駆動タスクを対応づける総合的視覚言語データセットを提案する。
提案手法は,代替行動を検討する人間ドライバーと同様,潜在的なシナリオとその成果を評価することによって意思決定を促進する。
論文 参考訳（メタデータ） (2025-04-06T03:54:21Z) - OpenDriveVLA: Towards End-to-end Autonomous Driving with Large Vision Language Action Model [24.90085777003393]
エンド・ツー・エンドの自動運転用に設計されたビジョン・ランゲージ・アクション(VLA)モデルであるOpenDriveVLAを提案する。
OpenDriveVLAは、オープンソースのトレーニング済みの大型ビジョンランゲージモデル(VLM)上に構築され、信頼性の高い駆動アクションを生成する。
論文 参考訳（メタデータ） (2025-03-30T14:45:54Z) - Generative Planning with 3D-vision Language Pre-training for End-to-End Autonomous Driving [20.33096710167997]
GPVLという名前の3次元言語事前学習モデルによる生成計画がエンドツーエンドの自動運転のために提案されている。
クロスモーダル言語モデルを導入し、総合的な駆動決定と微粒な軌跡を生成する。
GPVLの効果的で堅牢で効率的な性能は、将来の自動運転システムの実用化に不可欠であると考えられている。
論文 参考訳（メタデータ） (2025-01-15T15:20:46Z) - DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving [67.46481099962088]
現在の視覚中心の事前訓練は、通常、2Dまたは3Dのプリテキストタスクに依存し、自律運転の時間的特性を4Dシーン理解タスクとして見落としている。
我々は,マルチカメラ駆動ビデオからテンポラリな方法で事前学習が可能なEmphcentricDriveWorldを紹介した。
DriveWorldは、さまざまな自動運転タスクに関する有望な結果を提供する。
論文 参考訳（メタデータ） (2024-05-07T15:14:20Z) - OmniDrive: A Holistic Vision-Language Dataset for Autonomous Driving with Counterfactual Reasoning [68.45848423501927]
本稿では,エージェントモデルと3次元駆動タスクを対応づける総合的視覚言語データセットを提案する。
提案手法は,代替行動を検討する人間ドライバーと同様,潜在的なシナリオとその成果を評価することによって意思決定を促進する。
論文 参考訳（メタデータ） (2024-05-02T17:59:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。