基于双相、物理信息化、交通知识驱动的安全轨迹规划
机器人学
2025-04-08 v1 人工智能
摘要
基础模型在驾驶相关任务中展现出强大的推理与泛化能力，包括场景理解、规划和控制。然而，它们仍面临幻觉、不确定性和长推理延迟的问题。虽然现有基础模型对避免碰撞有一般性知识，但常缺乏交通专门的安全知识。为克服这些限制，我们引入LetsPi——一个物理信息化、双相、知识驱动的框架，用于安全的人类化轨迹规划。为防止幻觉并最小化不确定性，该混合框架将大语言模型(LLM)推理与物理信息化社会力动力学相结合。LetsPi利用LLM分析驾驶场景和历史信息，为社会力模型提供合适的参数和目标终点(目标)，随后生成未来轨迹。此外，双相体系结构通过其记忆收集阶段和快速推理阶段平衡推理与计算效率。记忆收集阶段利用物理信息化LLM处理和细化规划结果，通过推理、反思和记忆模块，将安全、高质量的驾驶经验存储在记忆库中。引入代理安全措施和物理信息化提示技术以增强LLM对交通安全和物理力的知识。快速推理阶段从新情境中提取相似的驾驶经验作为少数样本示例，同时简化输入输出要求，以实现不牺牲安全性的快速轨迹规划。使用HighD数据集进行的广泛实验表明，LetsPi在五个安全指标上均优于基线模型。
引用
@article{arxiv.2504.04562,
title = {Planning Safety Trajectories with Dual-Phase, Physics-Informed, and Transportation Knowledge-Driven Large Language Models},
author = {Rui Gan and Pei Li and Keke Long and Bocheng An and Junwei You and Keshu Wu and Bin Ran},
journal= {arXiv preprint arXiv:2504.04562},
year = {2025}
}