LLM驱动的场景感知自主驾驶规划
广义相对论与量子宇宙学
2026-05-27 v2 宇宙学与河外天体物理
高能物理 - 唯象学
摘要
自主驾驶的混合规划切换框架（HPSF）需要在高速行驶效率与密集交通环境下的安全机动之间进行平衡。现有HPSF方法常因场景识别依赖启发式方法且控制更新频率较低，导致模式转换不可靠，难以在拥堵环境中保持高效驾驶。为此，本文提出LAP（Large Language Model驱动的自适应规划方法），通过LLM实现场景理解，将其推入模式配置与运动规划的联合优化中，在低复杂度场景实现高速行驶，在高复杂度场景实现精确驾驶，从而通过受限空间生成高质量轨迹。联合优化通过树搜索模型预测控制与交替最小化求解。我们采用Python在机器人操作系统（ROS）中实现LAP。高保真仿真结果表明，所提出的LAP在驾驶时间和成功率方面均优于其他基准方法。
引用
@article{arxiv.2601.21878,
title = {Numerical simulations of primordial black hole formation via delayed first-order phase transitions},
author = {Zhuan Ning and Xiang-Xi Zeng and Rong-Gen Cai and Shao-Jiang Wang},
journal= {arXiv preprint arXiv:2601.21878},
year = {2026}
}
备注
v1, 31 pages, 8 figures; v2, 33 pages, 8 figures, extended discussions, version accepted for publication in JCAP