Fanzhi Zeng Siqi Wang Chuzhao Zhu Li Li

Abstract

Die Konstruktion eines interpretierbaren Entscheidungssystems für autonomes Fahren ist in der akademischen Forschung zu einem Schwerpunkt geworden. In dieser Studie schlagen wir einen neuen Ansatz vor, der große Sprachmodelle (LLMs) nutzt, um ausführbare, regelbasierte Entscheidungssysteme zu generieren, um dieser Herausforderung gerecht zu werden. Insbesondere nutzen wir die starken Fähigkeiten von LLMs im Bereich des Schließens und Programmierens, um den ADRD-Rahmen (LLM-gestütztes autonome Fahren basierend auf regelbasierten Entscheidungssystemen) einzuführen. Dieser Rahmen integriert drei Kernmodule: das Informationsmodul, das Agentenmodul und das Testmodul. Der Rahmen arbeitet indem er zunächst durch das Informationsmodul kontextuelle Informationen über Fahrzeugszenarien sammelt, dann das Agentenmodul verwendet, um regelbasierte Fahrstrategien zu generieren. Diese Strategien werden durch kontinuierliche Interaktion mit dem Testmodul iterativ verfeinert. Umfangreiche experimentelle Evaluierungen zeigen, dass ADRD in Entscheidungsaufgaben für autonomes Fahren eine überlegene Leistung erzielt. Verglichen mit traditionellen Verstärkungslearning-Ansätzen und den fortschrittlichsten LLM-basierten Methoden zeigt ADRD erhebliche Vorteile hinsichtlich Interpretierbarkeit, Reaktionsgeschwindigkeit und Fahrleistung. Diese Ergebnisse unterstreichen die Fähigkeit des Rahmens, ein umfassendes und genaues Verständnis komplexer Fahrzeugszenarien zu erreichen, und betonen die vielversprechende Zukunft transparenter, regelbasierter Entscheidungssysteme, die leicht modifiziert und breit anwendbar sind. Nach bestem Wissen ist dies die erste Arbeit, die große Sprachmodelle mit regelbasierten Systemen zur Entscheidungsfindung im autonomen Fahren kombiniert, und unsere Befunde bestätigen dessen Potenzial für praktische Anwendung.