SARAD：基于 LLM 的安全感知混合强化学习与自动驾驶碰撞预测
机器人学
2026-05-28 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
在自动驾驶系统中确保决策的安全性与效率仍是根本性挑战。传统深度强化学习 (DRL) suffers from unsafe random exploration and slow convergence，而大型语言模型 (LLM) 在实时推理操作中表现出内在延迟。为解决这些限制，本文提出了 SARAD，一种新颖的安全感知混合框架，将 LLM 与 DRL 融合用于自动驾驶。SARAD 用检索增强生成 (RAG) 增强的、来自动态专家知识库的 LLM 指导决策取代 DRL 的随机探索。提出注意力判别器以整合 LLM 的先验知识以优化 DRL 策略。进一步设计碰撞预测模块，通过历史碰撞数据微调，以提高车辆安全性。大量实验表明，SARAD 在 Highway-Env 模拟器中实现了显著性能提升，验证了该模型在自动驾驶中的有效性。
引用
@article{arxiv.2605.28583,
title = {SARAD: LLM-Based Safety-Aware Hybrid Reinforcement Learning with Collision Prediction for Autonomous Driving},
author = {Kangyu Wu and Peng Cui and Guoxi Chen and Ya Zhang},
journal= {arXiv preprint arXiv:2605.28583},
year = {2026}
}
备注
7 pages, 4 figures, accepted by IJCNN 2026