11月22日论文“ADriver-I: A General World Model for Autonomous Driving“，来自旷视科技等的论文。自动驾驶的一个通用世界模型
通常，自动驾驶采用模块化设计，将整个堆栈分为感知、预测、规划和控制部分。尽管可以解释，但这种模块化设计往往会引入大量冗余。近年来，多模态大语言模型（MLLM）和扩散模型技术在理解和生成能力方面表现出了优越的性能。在本文中，我们首先引入了交错的视觉-动作对的概念，它统一了视觉特征和控制信号的格式。基于视觉-动作对，构建一个基于MLLM和扩散模型的自动驾驶通用世界模型，称为ADriver-I。它以视觉-动作对为输入，逐步预测当前帧的控制信号。所生成的控制信号与历史的视觉-动作对一起，进一步调节去预测未来帧。利用预测的下一帧，ADriver-I执行进一步的控制信号预测。这样的过程可以无限重复，ADriver-I实现了自我创造世界中的自动驾驶。
如图所示是整个流水线：当前视频帧It和历史视觉-动作对（It−1，At−1）...，（It−3，At−3）用作MLLM和VDM（ video latent diffusion model）的输入。在训练过程中，MLLM以自回归的方式输出低级控制信号集{At−2，At−1，At}。它们都受到相应的控制信号的监督。之后，输出控制信号At被进一步用作VDM的提示，预测接下来的四帧{It+1，…，It+4}。预测帧受基本事实的监督。在推断过程中，MLLM单步直接输出当前帧At的控制信号。VDM遵循相同的过程并预测未来帧。对ADriver-I来说，一件重要的事情是它为未来的自动驾驶提供了一种有吸引的可能性。生成的下一帧It+1用作下一时间的“当前帧”，并进一步输入到MLLM产生动作At+1。上述步骤可以循环重复。通过这种方式，它实现了由自己生成世界中的无限驾驶。
MLLM由三个模块组成：预训练的大语言模型（LLM）、视觉编码器和视觉适配器。采用Vicuna-7B-1.5[5]作为LLM。Vicuna模型对LLAMA2[53]进行了微调。用CLIP-ViT-Large[44]作为视觉编码器，对大量的图像-文本对进行预训练。采用两个多层感知器（MLP）层作为视觉适配器，通过LLaVA-7B-1.5[31]进行预训练，将视觉特征与语言特征对齐。
基于视频生成的潜扩散模型[47]构建VDM。它建立在SD2.1[46]的基础上，并通过类似于视频潜扩散模型[2]中的时域-觉察模块进行增强。通过集成参考视频控件来丰富具有历史条件功能的模型，该控件将给定的帧与扩散输入连接起来。此外，还保留了文本条件模块，实现动作-导向的未来生成。总之，VDM将控制信号与历史帧集成，作为MLLM的活跃生成器。
将低级控制信号转换为文本，可以作为语言由LLM处理。动作token由语言token化器进一步获得。每个视频帧都由CLIP ViT Large[44]提供特征，并由视觉适配器进行进一步处理，以产生视觉token。每个视频帧的视觉token与对应的动作 token配对形成交错的视觉-动作对。引入的视觉-动作对具有以下优点。（1） 它使多轮对话能够适应不固定的帧长度，提高了MLLM的灵活性。（2） 它统一了单词嵌入空间下的交错未来生成和动作预测。如图所示是一个多模态大语言模型中对话的例子，尽管有视觉和动作token，还引入了系统提示来描述背景，指导MLLM的推理模式。
VDM的文本编码器不具有与LLM相同的推理能力。当转向角值小于0时，它很难理解车辆的右转，而当转向角大于0时，则很难理解汽车的左转。为了解决这个问题，用GPT3.5[36]将低级控制信号转换为运动描述。如图所示是一个GPT3.5引导生成运动提示的对话例子，来自连续帧的控制信号用作输入。为了生成清晰的运动提示，引导它输出常见的驾驶状态，如稳定速度、加速、减速和转弯。以运动提示为条件，VDM用于预测未来帧。
