自动驾驶中有"纯血vla"吗？ Q1：每个数据集的相机数量不一样，这里是怎么处理的？ 每个数据集的相机数量不同。VLM模型能够支持不同数量图像的输入，因此在Prompt中可以提供不同数量 的图像token输入，模型能够自动处理，无需明确指定相机数量。 Q2：vla中的action是怎么做的，直接用大模型输出文本形式的轨迹吗？ 对于轨迹输出，我们直接通过模型以文本形式输出，并在Prompt中限制输出格式为XY坐标。数据中的QA 部分，包括轨迹预测，均基于当前车辆坐标系给出。 本文内容均出自『自动驾驶之心知识星球』 ，星球内部汇总了诸多关于端到端和VLA的学术界和工业界的 问题讨论、技术交流、大佬问答及岗位分享！ 更多内容欢迎加入知识星球，和4000人一起同行~ Q3：输出轨迹是在图片上的坐标吗？ 最后通过视频验证结果，输出的轨迹并非图像坐标，而是相对于当前车辆的坐标。例如，当前车辆坐标为 原点(0，0)(0，0)(0，0)，预测结果为相对于该原点的(x，y)(x，y)(x，y)值。若需映射到图像，则需更多相 机内参数据。不同数据集提供的数据各异：如NuScenes数据集包含相机内参，而Motioniary等数据 ...