S4-Driver: Scalable Self-Supervised Driving Multimodal Large Language Model with Spatio-Temporal

文章主要内容总结

本文提出了一种基于多模态大语言模型（MLLM）的可扩展自监督自动驾驶运动规划框架 S4-Driver，旨在解决端到端自动驾驶中依赖人工标注和3D空间推理能力不足的问题。核心方法包括：

1. 稀疏体表示（Sparse Volume Representation）：将多视图、多帧图像的视觉信息聚合到3D空间，通过轻量级投影和门控机制动态选择关键区域，增强模型的3D时空推理能力，且无需微调预训练的视觉编码器。
2. 分层规划与元决策（Hierarchical Planning with Meta-Decision）：通过分解任务为高层语义决策（如加速、减速）和数值规划，简化MLLM的输出过程，提升规划稳定性。
3. 大规模自监督训练：利用Waymo内部大规模未标注驾驶数据（WOMD-Planning-ADE基准，规模是nuScenes的100倍）进行预训练，验证了模型在数据规模上的可扩展性。