FASIONAD：面向类人自动驾驶的快速与慢速融合思维系统
机器人学
2024-11-28 v1 计算机视觉与模式识别
摘要
确保安全、舒适和高效的导航是自动驾驶系统的关键目标。虽然在大规模数据集上训练的端到端模型在常见驾驶场景中表现出色，但它们在处理罕见的长尾事件时存在不足。大型语言模型（LLM）的最新进展带来了增强的推理能力，但其计算需求对实时决策和精确规划提出了挑战。本文提出了FASIONAD，一种受认知模型“思考，快与慢”启发的新型双系统框架。快速系统使用快速、数据驱动的路径规划来处理常规驾驶任务，而慢速系统则专注于在具有挑战性或陌生情况下的复杂推理和决策。基于分数分布和反馈的动态切换机制允许两个系统之间无缝过渡。快速系统生成的视觉提示使慢速系统能够进行类人推理，而慢速系统提供的高质量反馈则增强了快速系统的决策能力。为了评估FASIONAD，我们引入了一个基于nuScenes数据集的新基准，该基准专门用于区分快速和慢速场景。FASIONAD在该基准上取得了最先进的性能，为在自动驾驶中集成快速和慢速认知过程建立了新标准。这项工作为构建更具适应性、更类人的自动驾驶系统铺平了道路。
关键词
引用
@article{arxiv.2411.18013,
title = {FASIONAD : FAst and Slow FusION Thinking Systems for Human-Like Autonomous Driving with Adaptive Feedback},
author = {Kangan Qian and Zhikun Ma and Yangfan He and Ziang Luo and Tianyu Shi and Tianze Zhu and Jiayin Li and Jianhui Wang and Ziyu Chen and Xiao He and Yining Shi and Zheng Fu and Xinyu Jiao and Kun Jiang and Diange Yang and Takafumi Matsumaru},
journal= {arXiv preprint arXiv:2411.18013},
year = {2024}
}