DriveLM

用图问答让自动驾驶学会推理和解释

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 90 🐛 待处理 47 👀 关注 21

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1352

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可免费使用和部署。

项目预览

项目数据

分类开源模型

开发团队OpenDriveLab

官网地址https://opendrivelab.com/DriveLM

GitHubhttps://github.com/OpenDriveLab/DriveLM

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言HTML

技术栈/模型autonomous-driving,chain-of-thought,graph-of-thoughts,large-language-models,llm,prompt-engineering,prompting,tree-of-thoughts,vision-language

GitHub 星标★ 1352

上线时间2023-08-08 00:00:00

代码更新2025-07-02

仓库体积280.4 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

DriveLM 是一个面向自动驾驶的视觉问答（VQA）基准与数据集，源自 ECCV 2024 Oral 论文。它提出用图结构组织驾驶场景中的视觉问答，将感知、预测、规划等任务以问题链形式关联，解决传统自动驾驶模型缺乏推理和可解释性的问题。核心能力包括：提供大规模驾驶场景问答数据，支持多模态模型评估，以及通过图问答形式驱动端到端驾驶决策。项目包含数据生成工具、评估脚本和基线模型，旨在推动可解释、可交互的自动驾驶智能体发展。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1352

技术标签

autonomous-driving chain-of-thought large-language-models llm prompt-engineering

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：进阶约 30 分钟部署方式：本地安装 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Git（用于克隆 DriveLM 仓库）
nuScenes 数据集（DriveLM-Data 基于 nuScenes 与 CARLA 构建，需自行准备）
Python 运行环境（用于运行 challenge devkit 与数据准备脚本，README 节选未明确版本）
足够的磁盘空间存放 nuScenes 原始数据与 DriveLM 标注数据

安装与启动步骤

1克隆仓库

把 DriveLM 仓库拉到本地，所有数据准备文档与挑战 devkit 都在仓库内。
```
git clone https://github.com/OpenDriveLab/DriveLM.git
```
2进入仓库目录

切换到克隆下来的目录，后续命令都在此目录中执行。
```
cd DriveLM
```
3阅读数据准备文档

README 的 Getting Started 明确指向该文档，先看清楚 nuScenes 数据的下载与处理要求。
```
cat docs/data_prep_nus.md
```
4准备 DriveLM-nuScenes

严格按 docs/data_prep_nus.md 中的步骤操作；README 节选未给出具体下载链接与参数，不要自行猜测路径。
5使用挑战 devkit

进入 challenge 目录查看 devkit 内容，用于评估或提交 Autonomous Driving Challenge 2024 结果。
```
cd challenge
```
6关注后续更新

README 标注 More content coming soon，训练、评测等内容后续才会放出，建议留意官网 news。