LLM4Drive：面向自动驾驶的大语言模型综述
人工智能
2024-08-13 v4
摘要
自动驾驶技术作为变革交通与城市出行的催化剂，有从基于规则的系统转向数据驱动策略的趋势。传统的基于模块的系统受限于级联模块间的累积误差和不灵活的预设规则。相比之下，端到端自动驾驶系统因其完全数据驱动的训练过程有可能避免误差累积，尽管常因“黑箱”特性缺乏透明度，使决策的验证与追溯复杂化。近来，大语言模型（LLMs）已展现出包括语境理解、逻辑推理和答案生成在内的能力。一个自然的想法是利用这些能力赋能自动驾驶。通过将 LLM 与基础视觉模型结合，可开启当前自动驾驶系统所缺乏的开放世界理解、推理与少样本学习之门。本文中，我们系统综述了关于大语言模型用于自动驾驶（LLM4AD）的一条研究脉络。本研究评估了当前技术进展状态，清晰勾勒出该领域的主要挑战与前景方向。为方便学术界与工业界研究者，我们通过指定链接提供该领域最新进展及相关开源资源的实时更新：https://github.com/Thinklab-SJTU/Awesome-LLM4AD。
引用
@article{arxiv.2311.01043,
title = {LLM4Drive: A Survey of Large Language Models for Autonomous Driving},
author = {Zhenjie Yang and Xiaosong Jia and Hongyang Li and Junchi Yan},
journal= {arXiv preprint arXiv:2311.01043},
year = {2024}
}
备注
GitHub Repo: https://github.com/Thinklab-SJTU/Awesome-LLM4AD