自動運転におけるBEV知覚とキャプションのためのマルチモーダルタスクアラインメント：MTA

本稿では、BEV（鳥瞰図）ベースの知覚とキャプションの両方のタスクのパフォーマンスを向上させる、マルチモーダルタスクアラインメントフレームワークであるMTAを提案する。