基于视觉标记的自动驾驶空间规划增强方法

本发明公开了一种基于视觉标记的自动驾驶空间规划增强方法，包括以下步骤：获取原始图像和文本输入；对原始图像进行处理，获得图像特征；对文本输入进行处理，获得文本特征；利用图像特征和文本特征生成带有视觉标记的文本输出；对带有视觉标记的文本输出进行转换，获得带坐标的文本输出；显著提升了自动驾驶场景中空间理解的准确性和语义一致性，实现了视觉感知与语义表达的高度同步，有效解决了现有方法视觉与语言模态语义割裂的问题。不仅大幅提高了自动驾驶问答任务中对物体位置、运动状态及交互关系的解析精度，还能显著增强复杂驾驶场景下的决策可靠性和规划自然度。