大型语言模型辅助的自动驾驶车辆从停滞中恢复

尽管近些年取得了显著进展，自动驾驶车辆 (AV) 仍面临在某些交通情境下难以应对的挑战，其中人类驾驶员表现出色。在此类情况下，AV 常常会变为停滞状态，导致整体交通流受阻。当前的恢复方案，如远程干预（成本高昂且效率低下）和手动接管（排除了非驾驶员并限制了 AV 可及性），都不够理想。本文引入了 StuckSolver，一种新型由大型语言模型 (LLM) 驱动的恢复框架，使 AV 能够通过自我推理和/或乘客引导的决策来解决停滞情境。StuckSolver 设计为可插拔的附加模块，运行在 AV 现有感知-规划-控制堆栈之上，无需修改其内部架构。它仅通过标准传感器数据流检测停滞状态、解释环境背景，并生成可由 AV 本地规划器执行的高层恢复命令。我们在 Bench2Drive 基准测试中进行评估，并在自定义的不确定性情境中进行测试。结果表明，StuckSolver 通过自主自我推理实现了接近最先进的性能，当结合乘客指导时，表现进一步提升。