Hugging Face、自動運転向けビジョン言語モデル「Qwen-Drive-1.0」を発表

記事の3ポイント

1. 1

   統合アーキテクチャの構築

   事前学習済みビジョン言語モデル（VLM）のアーキテクチャを維持しつつ、3D 知覚、視覚的質問応答、運動計画を単一のフレームワークに統合する。

2. 2

   外部 BEV 知覚ヘッドの実装

   外部の鳥瞰図（BEV）知覚ヘッドが3D物体検出、セマンティック占拠予測、BEVマップセグメンテーションを共同で行い、3Dシーン構造への明示的で検証可能なインターフェースを提供する。

3. 3

   計画専門家の機能

   計画専門家（Planning Expert）が共有された VLM 表現に基づいて条件付けを行い、将来の自車軌道（ego trajectories）を生成する仕組みを持つ。