UNCAP：基于自然语言通信的不确定性引导神经符号规划用于合作自动驾驶车辆
机器人学
2026-01-14 v2 计算与语言
计算机视觉与模式识别
多智能体系统
摘要
大规模安全协作的多个互联自动驾驶车辆（CAV）依赖于高效且可解释的通信。现有方法要么依赖传输高带宽的原始传感器数据流，要么忽视共享数据中固有的感知和规划不确定性，导致系统既不可扩展也不安全。为此，我们提出 Uncertainty-Guided Natural Language Cooperative Autonomous Planning（UNCAP），一种基于视觉语言模型的规划方法，使 CAV 能够通过轻量级自然语言消息进行通信，同时在决策中显式地考虑感知不确定性。UNCAP 的特征包括两个阶段的通信协议：（i） ego CAV 首先识别最相关用于信息交换的车辆子集，（ii）选定的 CAV 然后传输量化表达其感知不确定性的消息。通过选择最大化互信息的消息，此策略允许 ego 车辆仅将最相关的信号整合到其决策中，从而提高了合作规划的可扩展性和可靠性。实验在多样化驾驶场景中显示，通信带宽降低了 63%，驾驶安全评分提高了 31%，决策不确定性降低了 61%，在近失控事件中的碰撞距离裕度提高了四倍。项目网站：https://uncap-project.github.io/
引用
@article{arxiv.2510.12992,
title = {UNCAP: Uncertainty-Guided Neurosymbolic Planning Using Natural Language Communication for Cooperative Autonomous Vehicles},
author = {Neel P. Bhatt and Po-han Li and Kushagra Gupta and Rohan Siva and Daniel Milan and Alexander T. Hogue and Sandeep P. Chinchali and David Fridovich-Keil and Zhangyang Wang and Ufuk Topcu},
journal= {arXiv preprint arXiv:2510.12992},
year = {2026}
}