面向以人为本的自动驾驶：集成大语言模型指导与强化学习的快速-慢速架构
机器人学
2025-05-13 v1
摘要
自动驾驶通过数据驱动技术取得了显著进展， 在标准化任务中实现了稳健的性能。然而，现有方法常常忽视用户特定的偏好，为与用户的交互和适应提供了有限的范围。为解决这些挑战，我们提出一种“快速-慢速”决策框架，将大语言模型 (LLM) 用于高层指令解析，与强化学习 (RL) 智能体集成用于低层实时决策。在该双系统中，LLM 作为“慢速”模块， 将用户指令翻译为结构化指导，而 RL 智能体作为“快速”模块，在严格的延迟约束下进行时关键机动。通过将高层决策与快速控制解耦，我们的框架实现了以用户为中心的个性化操作，同时保持稳健的安全边际。跨各种驾驶情景的实验评估表明，我们的方法有效。 compared to baseline algorithms, the proposed architecture 不仅降低了碰撞率，还更 closely 地将驾驶行为与用户偏好对齐，从而实现了以以人为本的方式。通过在决策层面集成用户指导并通过实时控制加以细化，我们的框架桥接了 individual passenger needs 与在复杂交通环境中安全可靠驾驶所需的严格要求之间的差距。
引用
@article{arxiv.2505.06875,
title = {Towards Human-Centric Autonomous Driving: A Fast-Slow Architecture Integrating Large Language Model Guidance with Reinforcement Learning},
author = {Chengkai Xu and Jiaqi Liu and Yicheng Guo and Yuhang Zhang and Peng Hang and Jian Sun},
journal= {arXiv preprint arXiv:2505.06875},
year = {2025}
}