异步机器学习增强规划器用于自动驾驶
内容提要
本文探讨了大型语言模型（LLMs）在自动驾驶中的应用，提出了Plan Like a Graph（PLaG）和InstructDriver等新框架，旨在提升自动驾驶车辆的决策能力和安全性。研究表明，LLMs在复杂场景下的表现有限，但结合人类逻辑和交通规则可改善其性能。同时，引入了安全框架以确保自动驾驶系统的隐私和合规性。
延伸解读
LLM规划器的现实挑战
文章指出，尽管大型语言模型在自动驾驶规划中展现出潜力，但在缺乏任务解决过程说明时，包括GPT-4和LLaMA-2在内的代表性模型表现不佳。随着任务复杂性增加，LLM性能会严重退化，这凸显了利用LLM模拟数字设备的局限性。因此，当前LLM规划器仍难以完全应对高度复杂的驾驶场景。
安全与隐私框架的必要性
文章引入了一个利用多智能体LLM的安全框架，旨在保护自动驾驶车辆的敏感信息，并确保LLM输出符合驾驶规定和人类价值观。该框架对11个LLM驱动的自动驾驶提示进行了安全性、隐私性和成本评估，并通过问答测试验证了有效性。这表明，在追求性能的同时，安全与合规是不可忽视的维度。
可解释性与闭环评估的进展
InstructDriver方法通过可解释的InstructChain模块进行规划推理，增强了决策的可解释性，并在真实世界的nuPlan闭环基准上验证了有效性。类似地，DriveMLM和LMDrive等框架也强调闭环评估和多模态整合。这些工作表明，自动驾驶规划正从开环模拟走向更贴近现实的闭环测试，并注重决策透明性。
多车协同与持续学习方向
AgentsCoDriver框架致力于多车辆协同驾驶，以解决当前系统在解释性、泛化性、持续学习及协商合作方面的不足。AdaPlanner则通过闭环反馈自适应改进计划，提升复杂任务中的连续决策性能。这些探索指向了未来自动驾驶系统需要具备的协同、自适应和持续进化能力。
Q&A
如何通过大型语言模型提升自动驾驶车辆的决策能力？
通过结合传统规则基于的规划器与大型语言模型，利用LLMs的常识推理能力来解决复杂场景，从而提升决策能力。
什么是Plan Like a Graph (PLaG)技术？
PLaG是一种将图形与自然语言提示相结合的新技术，旨在提升大型语言模型在自动驾驶中的性能。
InstructDriver方法的主要功能是什么？
InstructDriver方法将大型语言模型转化为具有明确指令调整能力的运动规划器，以增强决策过程的可解释性。
如何确保自动驾驶系统的安全性和合规性？
通过引入新的安全框架，利用多智能体大语言模型来保护敏感信息，并确保输出符合驾驶规定。
DriveMLM框架的主要贡献是什么？
DriveMLM框架通过标准化决策状态与车辆控制命令之间的连接，验证了模型的有效性，并在真实模拟器中进行闭环驾驶。
AdaPlanner如何提升复杂任务的决策性能？
AdaPlanner通过闭环反馈自适应改进生成的计划，并利用新的技能发现机制，在复杂任务中实现更好的决策性能。
