D3VL：利用语言模型从 3D 时间序列数据和视频中理解驾驶场景

英文标题：D3VL: Understanding Driving Scenes from 3D Time Series Data and Video with Language Models

论文 D3VL 探讨如何利用语言模型理解来自 3D 时间序列数据和视频的驾驶场景。作者指出，近年来多模态大语言模型（MLLM）的进展推动了面向自动驾驶的端到端 MLLM 发展，但现有研究主要聚焦于 2D 图像和视频。该工作将研究重点扩展至 3D 时序数据，为自动驾驶开发者探索融合三维传感器时序信息与视频、语言理解能力的模型提供了方向。论文发表于 arXiv，编号为 arXiv:2607.19528v1。

2.1 KB 483 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB