DualAD：面向自动驾驶推理的双层规划
机器人学
2024-12-05 v3 人工智能
摘要
我们提出了一种新的自动驾驶框架DualAD，旨在模仿人类驾驶中的推理过程。DualAD包含两个层次：底层是一个基于规则的运动规划器，处理需要最小推理的常规驾驶任务；而上层包含一个基于规则的文本编码器，将驾驶情景从绝对状态转换为文本描述。该文本随后被处理以作出驾驶决策。当检测到潜在危险时，上层会干预底层的决策，从而模拟关键情况下的人类推理。闭环实验表明，DualAD使用零样本预训练模型，显著优于缺乏推理能力的基于规则运动规划器。我们的实验还凸显了文本编码器的有效性，显著提升了模型对情景的理解。此外，集成的DualAD模型随着更强大的大语言模型(LLM)而提升，表明该框架具有进一步提升的潜力。代码和基准数据可在 github.com/TUM-AVS/DualAD 获取。
引用
@article{arxiv.2409.18053,
title = {DualAD: Dual-Layer Planning for Reasoning in Autonomous Driving},
author = {Dingrui Wang and Marc Kaufeld and Johannes Betz},
journal= {arXiv preprint arXiv:2409.18053},
year = {2024}
}
备注
Autonomous Driving, Large Language Models (LLMs), Human Reasoning, Critical Scenario