本文是LLM系列文章,针对《Instruct Large Language Models to Drive like Humans》的翻译。
摘要
复杂场景下的运动规划是自动驾驶的核心挑战。传统的方法应用预定义的规则或从驾驶数据中学习来规划未来的轨迹。最近的方法寻求保存在大型语言模型(LLM)中的知识,并将其应用于驾驶场景。尽管取得了有希望的结果,但LLM是否学会了驾驶的基本人类逻辑仍不清楚。在本文中,我们提出了一种InstructionDriver方法,将LLM转换为具有明确指令调整的运动规划器,以使其行为与人类保持一致。我们根据人类逻辑(例如,不造成碰撞)和交通规则(例如,仅在绿灯时行驶)得出驾驶指令数据。然后,我们使用可解释的InstructionChain模块来进一步推理反映指令的最终计划。我们的InstructionDriver允许注入人工规则并从驾驶数据中学习,从而实现可解释性和数据可扩展性。与现有的在闭环或模拟设置上进行实验的方法不同,我们采用了真实世界的闭环运动规划nuPlan基准来进行更好的评估。InstructionDriver演示了LLM计划器在现实世界闭环环境中的有效性。我们的代码公开于https://github.com/bonbon-rj/InstructDriver。