TeLL-Drive：基于教师 LLM 指导的深度强化学习提升自动驾驶
人工智能
2025-02-21 v3 机器人学
摘要
尽管深度强化学习 (DRL) 和大语言模型 (LLM) 各自在解决自动驾驶中的决策问题方面都显示出前景，但 DRL 常常 suffer于高样本复杂度，而 LLM 在确保实时决策方面存在困难。为解决这些限制，我们提出了 TeLL-Drive，一种集成教师 LLM 指导注意力机制学生 DRL 策略的混合框架。通过纳入风险指标、历史情景检索和领域启发式知识到富有上下文的提示中，LLM 通过链式思考推理产生高层次驾驶策略。随后，自注意力机制将这些策略与 DRL 智能体的探索相融合，加速策略收敛并提升其在多样化驾驶条件下的鲁棒性。实验结果表明，TeLL-Drive 在多个交通情景下，凭借成功率、平均回报和实时性，优于现有的基线方法，包括其他基于 LLM 的方法。消融研究进一步凸显了每个模型组件的重要性，尤其是注意力机制与 LLM 驱动指导之间的协同作用。最后，我们构建了一个虚拟-真实融合实验平台，通过车辆在环实验验证了算法在真实车辆上运行时的实时性能、鲁棒性和可靠性。
引用
@article{arxiv.2502.01387,
title = {TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning},
author = {Chengkai Xu and Jiaqi Liu and Shiyu Fang and Yiming Cui and Dong Chen and Peng Hang and Jian Sun},
journal= {arXiv preprint arXiv:2502.01387},
year = {2025}
}