基于 In-Context RL 的提示驱动自主驾驶域适应
机器人学
2025-11-18 v1 机器学习
摘要
尽管自主驾驶取得了显著进展，但许多端到端系统仍在处理域适应（DA）方面困难，例如将在明晴天训练的策略迁移到恶劣天气条件。文献中典型的 DA 策略包括收集目标域的额外数据或重新训练模型，或两者兼顾。随着驾驶规模和复杂度的增加，这些策略变得快速变得不实用。这促使人们关注在推理时间使用 LLM 和 VLM 实现的零样本或少样本提示驱动 DA。这些方法通过在推理时添加少量状态-动作轨迹到提示中（类似于 in-context learning）。然而，这种方法存在两个局限性： 当前的提示驱动 DA 方法仅限于感知任务，如检测和分割； 它们需要专家级的少样本数据。本文提出了一种新的方法，用于闭环自主驾驶在恶劣天气条件下的少样本提示驱动 DA，采用 in-context 强化学习（ICRL）。类似于其他提示驱动 DA 方法，我们的方法无需更新模型参数，也无需在恶劣天气情形下收集额外数据。此外，我们的方法通过扩展到使用推理期间观察到的通用轨迹，使端到端闭环驾驶的提示驱动 DA 达到了最前沿水平。我们的实验使用 CARLA 模拟器表明，ICRL 在目标域内实现了比现有提示驱动 DA 基线更安全、更高效、更舒适的驾驶政策。
引用
@article{arxiv.2511.12755,
title = {Prompt-Driven Domain Adaptation for End-to-End Autonomous Driving via In-Context RL},
author = {Aleesha Khurram and Amir Moeini and Shangtong Zhang and Rohan Chandra},
journal= {arXiv preprint arXiv:2511.12755},
year = {2025}
}