清華大学と Qwen チーム、自動運転向けビジョン言語基盤モデル「Qwen-Drive」を公開

記事の3ポイント

1. 1

   統合アーキテクチャの採用

   Qwen-Drive は事前学習済み Qwen3.5 ビジョン言語モデルを共有基盤とし、3D 知覚ヘッドとプランニングエキスパートという2つの外部モジュールを結合したユニファイドフレームワークを採用している。

2. 2

   BEV 知覚機能の強化

   BEV 知覚ヘッドが3D オブジェクト検出、セマンティック占有予測、BEV マップ分割を同時に行い、共有表現から得られる3D情報を明示的に可視化するインターフェースを提供する。

3. 3

   段階的トレーニング戦略

   知覚、言語、計画の各目的を統合した段階的な学習戦略を提案し、運転特化型監督と汎用ビジョン言語タスクを組み合わせてモデルを訓練している。