SAFe-Copilot：统一的共享自主框架
机器人学
2025-11-07 v1
摘要
自动驾驶系统在稀有、模糊和超出分布的情况下仍显脆弱，而人类驾驶员通过情境推理成功应对这些情形。共享自主性（shared autonomy）作为一种缓解此类故障的方法，已涌现出通过在自主性不确定时纳入人类输入。然而，大多数现有方法将仲裁限制在低层轨迹上，这些轨迹仅表示几何路径，因而无法保留 underlying driving intent。我们提出了一种统一的共享自主框架，将人类输入和自主规划器在更高的抽象层次上集成。该方法利用视觉语言模型（Vision Language Models, VLMs）从多模态线索（如驾驶员动作和环境上下文）推断驾驶意图，并综合连贯的策略来调解人类和自主控制。我们首先在模拟的人类环境中研究该框架，实现了完美的召回率，同时保持高准确率和高精度。人类主体调查进一步表明，结果与仲裁决策高度一致，受访者在92%的情况下同意仲裁结果。最后，在Bench2Drive基准测试中，结果显示与纯自主性相比，碰撞率大幅降低，整体性能显著提升。在语义、基于语言的表示层次上进行仲裁，成为共享自主性的设计原则，使系统能够进行常识推理，保持与人类意图的连续性。
引用
@article{arxiv.2511.04664,
title = {SAFe-Copilot: Unified Shared Autonomy Framework},
author = {Phat Nguyen and Erfan Aasi and Shiva Sreeram and Guy Rosman and Andrew Silva and Sertac Karaman and Daniela Rus},
journal= {arXiv preprint arXiv:2511.04664},
year = {2025}
}