SafeDrive：大语言模型实现自动驾驶汽车知识驱动和数据驱动的风险-敏感决策

创作时间:

作者:

@小白创作中心

SafeDrive：大语言模型实现自动驾驶汽车知识驱动和数据驱动的风险-敏感决策

引用

CSDN

https://blog.csdn.net/yorkhunter/article/details/144883348

自动驾驶汽车（AV）的安全性是实现其商业化应用的关键挑战之一。近期，来自USC、U Wisconsin、U Michigan、清华大学和香港大学的研究团队提出了一种名为SafeDrive的决策框架，该框架结合了知识驱动和数据驱动的优势，旨在提高AV在高风险场景下的决策能力。本文将详细介绍SafeDrive的创新设计及其在真实交通数据集上的表现。

背景与挑战

自动驾驶汽车的最新进展显示，大语言模型（LLM）在正常驾驶场景中表现良好。然而，在动态、高风险环境中确保安全并管理长尾事件仍然是一个重大挑战。为了解决这些问题，研究团队提出了SafeDrive，这是一个知识驱动和数据驱动的风险-敏感决策框架，旨在提高AV的安全性和适应性。

SafeDrive框架概述

SafeDrive框架引入了一个模块化系统，包括四个核心模块：

风险模块：用于全面量化涉及驾驶员、车辆和道路相互作用的多因素耦合风险。
记忆模块：用于存储和检索典型场景以提高适应性。
LLM驱动的推理模块：用于情境-觉察的安全决策。
反思模块：用于通过迭代学习完善决策。

通过将知识驱动的洞察力与自适应学习机制相结合，该框架确保在不确定条件下做出稳健的决策。研究团队在高速公路（HighD）、交叉路口（InD）和环形交叉路口（RounD）等真实交通数据集上进行了广泛评估，验证了该框架能够提高决策安全性（实现100%的安全率）、复制类似人类的驾驶行为（决策一致性超过85%）并有效适应不可预测的场景。

核心技术细节

耦合风险量化

研究团队采用了一种动态驾驶员风险场（DRF）模型，该模型可适应车辆速度和转向动态。DRF表示驾驶员对未来位置的主观信念，在靠近自车时分配更高的风险，并随着距离的增加而降低。事件后果通过根据场景中目标的危险程度为其分配实验确定的成本来量化，与主观评估无关。整体量化感知风险（QPR）计算为所有网格点的事件成本和DRF的总和。

此外，该模型将传统的驾驶员风险场扩展到360度视角，同时纳入前后车辆的风险，从各个角度创建统一的风险状况，增强现场觉察和安全性。

风险-敏感的LLM决策

SafeDrive框架利用GPT-4作为决策智体，驱动推理过程并生成动作。研究团队使用来自HighD（高速公路）、InD（城市交叉路口）和RounD（环形交叉路口）等真实世界数据集的手动注释场景描述，并与下一帧动作配对作为真值标签。

SafeDrive架构包含四个核心模块：风险模块、推理模块、记忆模块和反思模块。该过程是迭代的：推理模块根据系统消息、场景描述、风险评估做出决策并存储类似的记忆；反思模块评估决策并提供自我反思过程；记忆模块存储正确的决策以供将来检索。使用三个真实世界数据集作为输入，这个自学习循环提高决策的准确性和处理多样化复杂场景的适应性。