Mar, 2024

LC-LLM: 大型语言模型的可解释性变道意图和轨迹预测

PDF
TL;DR为了在动态环境下保证安全驾驶，自动驾驶车辆应该具备准确预测周围车辆的变道意图并预测其未来轨迹的能力。本文通过提出了一种可解释的变道预测模型 LC-LLM，利用大型语言模型（LLM）的强大推理能力和自我解释能力来解决现有运动预测方法在长期预测精度和可解释性方面的不足。我们将变道预测任务重新定义为语言建模问题，将异构驾驶场景信息以自然语言形式作为 LLM 的输入，并采用监督微调技术，使 LLM 专门用于变道预测任务。这使得我们能够利用 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，我们在推理阶段的提示中加入了解释要求。因此，我们的 LC-LLM 模型不仅可以预测变道意图和轨迹，还能提供预测解释，增强了可解释性。对大规模高维驱动数据集的广泛实验证明了我们的 LC-LLM 在变道预测任务中的卓越性能和可解释性。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 能够对驾驶行为进行综合交互信息编码。
autonomous vehicleslane change predictionlarge language modelsinterpretabilitydriving behavior understanding
发现论文，激发创造
  • Traj-LLM：赋能轨迹预测的新探索

    使用大型语言模型和创新的技术，本研究拟探索将 LLM 应用于交通场景中的动态车辆轨迹预测任务，以提高预测效果并适应不同情形。

    May, 2024

  • 可解释的大语言模型交通流预测

    这项研究介绍了一种基于 TP-LLM 的可解释交通预测方法，通过将多模态因素作为语言输入统一起来，避免了复杂的时空数据编程，证明了大语言模型在交通预测方面的潜力。

    Apr, 2024

  • 大型语言模型驱动的上下文感知运动预测

    通过利用大型语言模型（LLMs）增强全局交通语境理解来提高动作预测任务的准确性，并考虑到 LLMs 的成本，我们提出了一种成本效益的部署策略：通过拥有 0.7% 的 LLM 增强数据集来扩大动作预测任务的准确性。

    Mar, 2024

  • 接收、推理和反应：在自动驾驶车辆中根据您的指令驾驶的大型语言模型

    通过利用大型语言模型（LLMs）的语言和推理能力，本研究提出了一个新的框架来增强自动驾驶车辆决策过程。通过在不同场景中进行试验和实时个性化示范，我们展示了利用 LLMs 能够改善驾驶决策、提供个性化驾驶体验并增强自动驾驶的安全和效果。

    Oct, 2023

  • HighwayLLM：基于增强学习的语言模型的高速公路驾驶决策与导航

    通过集成大型语言模型（LLM）与强化学习（RL）和 PID 控制器，本研究提出了一种名为 HighwayLLM 的新方法，用于实现高速公路自动驾驶的安全、无碰撞、可解释的决策过程。

    May, 2024

  • 基于车辆轨迹数据的车道变更意图识别的机器学习方法比较分析

    准确检测和预测车道变换过程可以帮助自动驾驶汽车更好地理解周围环境，识别潜在的安全危险并提高交通安全。本文侧重于车道变换过程，并比较了不同的机器学习方法在从高维时序数据中识别车道变换意图方面的性能。验证提出模型的性能，从 CitySim 数据集中提取了 1023 个车辆轨迹。对于车道变换意图识别问题，结果表明，集成方法减少了二型和三型分类错误的影响，具有 98% 的分类准确度。在不牺牲识别准确度的情况下，LightGBM 模型训练效率比 XGBoost 算法提高了 6 倍。

    Jul, 2023

  • 基于标准化 LSTM 和层级相关传播的数字孪生道路可解释的在线变道预测

    该研究提出了一种创新的方法和技术实现，使用层次规范化的 LSTM 和基于 LRP 的方法来解释车道变更预测。其目的是为了增加人类信赖并减少人工智能系统的错误率。

    Apr, 2022

  • 通过 TCN-LSTM 和多任务学习模型实现车道变换意图识别和驾驶状态预测的统一方法

    本文提出了一种基于多任务学习的 LC 意图识别和状态预测模型，提高了 LC 意图分类的准确率并给出了一种实现自动驾驶车辆辨别车道变更行为、计算实时交通冲突指数并改善车辆控制策略的方法。

    Apr, 2023

  • LG-Traj: LLM 指导的行人轨迹预测

    通过引入 Large Language Models (LLMs)，本研究探究了使用 LLMs 改进行人轨迹预测任务的可能性，通过诱导运动线索生成物体过去 / 观察到的轨迹中的运动线索，并利用混合高斯聚类未来轨迹中的运动线索。我们的方法采用基于 Transformer 的体系结构，包括运动编码器以建模运动模式和社交解码器以捕捉行人之间的社交互动，展示了我们的方法在流行的行人轨迹预测基准数据集 ETH-UCY 和 SDD 上的有效性，并进行了多个消融实验来验证我们的方法。

    Mar, 2024

  • iMotion-LLM: 运动预测指令调优

    iMotion-LLM 是一种多模态大型语言模型，通过轨迹预测指导交互式多智能体场景。通过在 Waymo 开放数据集中增加文本运动指令，我们创建了 InstructWaymo。iMotion-LLM 可在提供的指令方向上生成轨迹，增强安全性，并为自主导航系统解释和预测多智能体环境的动态奠定了基础。

    Jun, 2024