sam-llm：基于参数微调的可解释车道变更轨迹预测
人工智能
2025-09-04 v1 计算机视觉与模式识别
机器人学
摘要
本工作引入SAM-LLM，这是一种新型混合架构，旨在弥合大型语言模型（LLMs）上下文推理与运动学车道变更模型在自动驾驶中物理精度之间的差距。该系统设计用于通过对LLM进行微调来实现可解释的车道变更轨迹预测，输出轨迹模型的核心物理参数，而非原始坐标。对于车道保持情景，模型预测离散坐标；但对于车道变更机动，模型生成增强正弦加速度模型（SAM）的参数，包括横向位移、机动持续时间、初始横向速度和纵向速度变化。这一参数方法产生一个完整的、连续的、在物理上合理的轨迹模型，具有内在的可解释性和计算效率，输出大小比基于坐标的方法降低了80%。SAM-LLM实现了98.73%的整体意图预测准确率，表现等效于传统LLM预测器，同时在可解释性和资源效率方面具有显著优势。
引用
@article{arxiv.2509.03462,
title = {sam-llm: interpretable lane change trajectoryprediction via parametric finetuning},
author = {Zhuo Cao and Yunxiao Shi and Min Xu},
journal= {arXiv preprint arXiv:2509.03462},
year = {2025}
}
备注
5 pages