场景理解

面向自动驾驶的视觉语言模型，提升复杂长尾场景理解能力 DriveVLM是清华大学Mars实验室推出的自动驾驶领域视觉语言模型，通过场景描述、场景分析、分层规划的推理模块组合，强化对复杂、长尾驾驶场景的理解能力。针对现有视觉语言模型空间推理不足、算力需求高的痛点，推出混合架构DriveVLM-Dual，结合DriveVLM与传统自动驾驶流程优势，已在公开数据集验证并完成量产车部署。

基于高斯分布的3D语言场构建工具，大幅提升处理效率 不同于NeRF方案的昂贵渲染流程，LangSplat依托CLIP语言模型生成的语言特征，可精确捕捉目标对象边界，直接生成精确的3D语言场，无需额外后处理步骤。相比现有同类方案LERF，LangSplat的处理速度提升199倍，大幅降低3D场景理解的算力成本。