Wayve展示GAIA-1自動駕駛世界模型 可預(yù)測事件

10月9日消息，英國 AI 初創(chuàng)公司 Wayve 日前公布了旗下 GAIA-1 生成式模型的最新進展。

據(jù)IT之家報道，在 6 月的時候，Wayve 建立了將生成式模型用于自動駕駛的概念性驗證，而在這幾個月中，Wayve 公司持續(xù)擴展 GAIA-1，使其擁有 90 億個參數(shù)，能夠生成逼真的駕駛場景影片，展示自動駕駛“在各種情境的反應(yīng)”，并且更好地預(yù)測未來事件。

GAIA-1 是一個可以利用不同類型的資料，包括影片、文字和動作，創(chuàng)建逼真駕駛場景影片的世界模型（World Model）。

GAIA-1 可對自動駕駛車輛的行為和場景特征進行細致的控制，且由于其多模態(tài)的性質(zhì)，能夠從多種提示模式和組合中生成相關(guān)視頻。

官方提到，GAIA-1 可對環(huán)境進行學(xué)習(xí)，從而提供結(jié)構(gòu)性的環(huán)境理解，協(xié)助自動駕駛系統(tǒng)做出明智的決策。

而“預(yù)測未來事件”是該模型的基本關(guān)鍵能力，對未來的準(zhǔn)確預(yù)測，可以讓自動駕駛車輛預(yù)先知道即將發(fā)生的事件，從而規(guī)劃對應(yīng)的動作，增加汽車上路時的安全性和效率。

據(jù)悉，GAIA-1 會先運用專門的編碼器，將影片或文字等各種形式的輸入，編碼成一個共享的表示形式，進而在模型中實現(xiàn)統(tǒng)一的時序?qū)R和上下文理解，這種編碼方法，讓模型能夠更好地整合和理解不同類型的輸入。

GAIA-1 的核心，是一個自回歸 Transformer，能夠預(yù)測序列中下一組圖像 token，世界模型不只考慮過去的圖像 token，還參照文字和動作 token 的上下文資訊，運用這個方法所生成的圖像 token，不僅會在視覺上連貫，而且和預(yù)期的文字和動作指引保持一致。

在此之后，模型會啟動視頻解碼器這個階段被啟動，主要功能是將這些圖像 token 轉(zhuǎn)換回像素空間，視頻解碼器作為一個擴散模型，其強大之處主要在于可保證生成的影片，具語義意義、視覺準(zhǔn)確且時間序一致性。

GAIA-1 的世界模型經(jīng)過 64 個英偉達 A100 GPU 上長達 15 天的訓(xùn)練，包含了高達 65 億個參數(shù)，而視頻解碼器則在 32 個英偉達 A100 GPU 上訓(xùn)練了 15 天，總共擁有 26 億個參數(shù)。

GAIA-1 的主要價值，是在自動駕駛中引入生成式世界模型的概念，透過整合影片、文本和動作輸入，展示多模態(tài)學(xué)習(xí)在創(chuàng)建多樣化駕駛情境的潛力，而且透過整合世界模型與駕駛模型，使駕駛模型能夠更好地理解自己的決策，并且泛化至真實世界的情境中，進而提升自動駕駛系統(tǒng)的能力。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。