仪器仪表学报

作者：陈熙源，刘炜焱，聂姝涵，经纬铭

单位：陈熙源,东南大学仪器科学与工程学院南京210096,chxiyuan@seu.edu.cn,刘炜焱,东南大学仪器科学与工程学院南京210096,,聂姝涵,东南大学仪器科学与工程学院南京210096,,经纬铭,东南大学仪器科学与工程学院南京210096,

关键词：自动驾驶;运动规划;大语言模型;重要经验回放算法

基金：国家自然科学基金(61873064)、江苏省重点研发计划(BE2022139)项目资助

基于学习的运动规划方法采用数据驱动的策略，从大规模的驾驶经验中学习策略，虽能表现出良好的性能，但因将运动规划视为黑箱问题，牺牲了方法的可解释性，也总会遇到数据集偏差、过拟合以及陷入局部最优等挑战。利用新兴的大语言模型强大的推理能力和解释能力，提出了一个基于大语言模型的自动驾驶运动规划框架，称为LLMs-Driver，来解决基于学习的方法中可解释性差的问题。LLMs-Driver由推理模块、记忆模块和反思模块3部分组成。在推理模块中，提出了重要经验回放算法，综合考虑了经验优先级和场景相似性两个影响因素，以提高LLMs-Driver的学习效率和性能。在记忆模块中，提出了改进后的先进先出经验存储算法，以保证经验的有效性和新颖性，有助于LLMs-Driver学习到最新最好的策略。同时，为了充分增强自动驾驶运动规划模型的透明度和可信度，采用“三步思维链”的方法，将推理和反思过程分别划分为3个步骤并配有解释性文字。最后，在Highway-env仿真平台上对LLMs-Driver进行闭环自动驾驶实验。实验结果表明，LLMs-Driver有着显著的可解释性和运动规划能力，任务成功步数的中值最高提升至基线算法的2.19倍，并支持根据驾驶人的意图设置不同的驾驶风格。

来源：2025年第10期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第10期