Fanzhi Zeng Siqi Wang Chuzhao Zhu Li Li

Résumé

La construction d'un système de prise de décision interprétable pour la conduite autonome est devenue un point focal dans les recherches académiques. Dans cette étude, nous proposons une nouvelle approche qui utilise des grands modèles linguistiques (LLMs) pour générer des systèmes de décision exécutables basés sur des règles afin de relever ce défi. Plus précisément, en exploitant les capacités de raisonnement et de programmation avancées des LLMs, nous introduisons le cadre ADRD (ADRD : Autonomous Driving Based on Rule-based Decision Systems piloté par les LLMs), qui intègre trois modules centraux : le module d'Information, le module d'Agents et le module de Test. Ce cadre fonctionne en agrégant d'abord les informations contextuelles des scénarios de conduite via le module d'Information, puis en utilisant le module d'Agents pour générer des tactiques de conduite basées sur des règles. Ces tactiques sont affinées itérativement par une interaction continue avec le module de Test. Des évaluations expérimentales approfondies montrent que l'ADRD présente une performance supérieure dans les tâches de prise de décision pour la conduite autonome. Par rapport aux approches traditionnelles d'apprentissage par renforcement et aux méthodes LLM les plus avancées, l'ADRD offre des avantages significatifs en termes d'interprétabilité, de vitesse de réponse et de performance de conduite. Ces résultats soulignent la capacité du cadre à atteindre une compréhension complète et précise des scénarios complexes de conduite, et mettent en évidence l'avenir prometteur des systèmes de décision transparents basés sur des règles, facilement modifiables et largement applicables. À notre connaissance, c'est la première étude qui intègre les grands modèles linguistiques avec les systèmes basés sur des règles pour la prise de décision en conduite autonome, et nos conclusions valident son potentiel pour un déploiement réel.