Occ-LLM：基于占用的大型语言模型增强自动驾驶
TLDR
该论文围绕“Occ-LLM: Enhancing Autonomous Driving with Occupancy-Based Large Language Models”研究世界模型相关问题。
评分理由
Fallback reasoning generated from available title and abstract metadata: Large Language Models (LLMs) have made substantial advancements in the field of robotic and autonomous driving. This study presents the first Occupancy-based Large Language Model (Occ-LLM), which represents a pioneering effort to integrate LLMs with an important representation....
Read-first 评分解释
综合优先阅读分 33.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。
研究版图角色
前沿论文
排序敏感性
稳定性：volatile；排名波动范围：125。
深度分析
创新点
- 首次将大型语言模型与占用表示集成用于自动驾驶
- 运动分离变分自编码器（MS-VAE），利用先验知识在编码前将动态物体与静态场景分离
方法
Occ-LLM通过运动分离变分自编码器（MS-VAE）将LLMs与占用表示集成，该编码器将动态物体与静态场景分离，以改进编码并处理类别不平衡。模型在4D占用预测、自车规划和基于占用的场景问答任务上进行了评估。
关键结果
Occ-LLM在4D占用预测任务上相比最先进方法，交并比（IoU）提升约6%，平均交并比（mIoU）提升约4%。