본 논문은 다중 모드 대규모 언어 모델(MLLM)의 운전 장면 이해 능력을 평가하기 위한 새로운 벤치마크인 NuPlanQA-Eval과 대규모 데이터셋 NuPlanQA-1M을 제시합니다. NuPlanQA-1M은 1백만 개의 실제 세계 시각적 질의응답(VQA) 쌍으로 구성되며, 도로 환경 인식, 공간 관계 인식, 자기 중심 추론 세 가지 핵심 기술에 걸쳐 9개의 하위 작업으로 분류됩니다. 또한, 다중 뷰 이미지에서 얻은 조감도(BEV) 특징을 MLLM에 통합한 BEV-LLM을 제안하고, 이를 통해 기존 MLLM이 운전 장면 특유의 인식과 자기 중심적 관점에서의 공간 추론에 어려움을 겪는다는 것을 보여줍니다. BEV-LLM은 9개의 하위 작업 중 6개에서 다른 모델들을 능가하는 성능을 보이며, BEV 통합이 다중 뷰 MLLM의 성능을 향상시킨다는 것을 입증합니다. NuPlanQA 데이터셋은 공개적으로 제공됩니다.
