CoT-Drive：结合 LLM 与思维链提示的自动驾驶高效运动预测
计算机视觉与模式识别
2025-03-11 v1 人工智能
机器人学
摘要
准确的运动预测对于安全的自动驾驶 至关重要。本研究提出了 CoT-Drive，一种利用大语言模型 和思维链 提示方法来增强运动预测的新方法。我们引入了一种师生知识蒸馏策略，将 LLM 的高级场景理解能力有效转移到轻量级语言模型 上，确保 CoT-Drive 在边缘设备上实时运行，同时保持全面的场景理解和泛化能力。通过在无需额外训练的情况下对 LLM 利用 CoT 提示技术，CoT-Drive 生成语义标注，显著改善了对复杂交通环境的理解，从而提高了预测的准确性和鲁棒性。此外，我们提出了两个新的场景描述数据集，Highway-Text 和 Urban-Text，旨在微调轻量级 LM 以生成特定上下文的语义标注。对五个真实世界数据集的综合评估表明，CoT-Drive 优于现有模型，突出了其在处理复杂交通场景方面的有效性和效率。总体而言，本研究是首个考虑 LLM 在该领域实际应用的研究。它开创了轻量级 LLM 代理在运动预测中的训练和使用，树立了新的基准，并展示了将 LLM 集成到 AD 系统中的潜力。
引用
@article{arxiv.2503.07234,
title = {CoT-Drive: Efficient Motion Forecasting for Autonomous Driving with LLMs and Chain-of-Thought Prompting},
author = {Haicheng Liao and Hanlin Kong and Bonan Wang and Chengyue Wang and Wang Ye and Zhengbing He and Chengzhong Xu and Zhenning Li},
journal= {arXiv preprint arXiv:2503.07234},
year = {2025}
}