LC-LLM: Explainable Lane-Change Intention and Trajectory Predictions with Large Language Models

本文是LLM系列文章，针对《LC-LLM: Explainable Lane-Change Intention and Trajectory Predictions with Large Language Models》的翻译。

摘要

为了确保在动态环境中安全驾驶，自动驾驶汽车应具备提前准确预测周围车辆变道意图并预测其未来轨迹的能力。现有的运动预测方法有足够的改进空间，特别是在长期预测精度和可解释性方面。在本文中，我们通过提出LC-LLM来应对这些挑战，这是一种可解释的车道变化预测模型，利用了大型语言模型（LLM）强大的推理能力和自我解释能力。从本质上讲，我们将变道预测任务重新表述为一个语言建模问题，以自然语言处理异构驾驶场景信息作为LLM的输入提示，并使用监督微调技术专门为我们的变道预测工作定制LLM。这使我们能够利用LLM强大的常识推理能力来理解复杂的交互信息，从而提高长期预测的准确性。此外，我们将解释性要求纳入推理阶段的提示中。因此，我们的LC-LLM模型不仅可以预测变道意图和轨迹，还可以为其预测提供解释，增强了可解释性。在大规模高D数据集上进行的大量实验证明了我们的LC-LLM在车道变化预测任务中的卓越性能和可解释性。与基线模型相比，意图预测的性能可以提高3.1%，横向轨迹预测的均方根误差（RMSE）可以降低19.4%，纵向轨迹预测的RMSE可以降低38.1%。据我们所知，这是首次尝试利用LLM来预测变道行为。我们的研究表明，LLM可以对驾驶行为理解的综合交互信息进行编码。

1 引言

2 相关工作

3 方法

4 实验结果与分析

5 结论

在本文中，我们介绍了LC-LLM，这是一种可解释的变道预测模型，它不仅预测变道意图和轨迹，还为