CoLMDriver：基于 LLM 的谈判促进合作式自动驾驶
计算机视觉与模式识别
2025-03-12 v1 人工智能
多智能体系统
摘要
车辆间（Vehicle-to-Vehicle, V2V）合作式自动驾驶具有巨大的潜力，通过解决单智能体系统中固有的感知与预测不确定性，能够提高安全性。然而，传统的合作方法受限于刚性的合作协议和对未见交互情景的有限泛化能力。虽然 LLM 基于方法提供了广泛的推理能力，但其在空间规划和推断延迟不稳定方面的挑战阻碍了其在合作驾驶中的直接应用。为此，我们提出了 CoLMDriver，即首个完整管道的 LLM 基于合作驾驶系统，实现语言化谈判和实时驾驶控制。CoLMDriver 具备并行驾驶管道，包含两个关键组件：（i）在演员-批评家范式下，基于所有车辆先前决策的反馈持续细化合作策略的 LLM 基于谈判模块；以及（ii）意图引导的路径点生成器，将谈判结果转化为可执行的路径点。此外，我们引入了 InterDrive，一个基于 CARLA 的仿真基准，包含 10 个具有挑战性的交互式驾驶情景，用于评估 V2V 合作。实验结果表明，CoLMDriver 在多样化的高度交互式 V2V 驾驶情景中显著优于现有方法，成功率提高了 11%。代码将在 https://github.com/cxliu0314/CoLMDriver 上发布。
引用
@article{arxiv.2503.08683,
title = {CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving},
author = {Changxing Liu and Genjia Liu and Zijun Wang and Jinchang Yang and Siheng Chen},
journal= {arXiv preprint arXiv:2503.08683},
year = {2025}
}