Überall fahren mit der Anpassung von Large Language Model Policies

Driving Everywhere with Large Language Model Policy Adaptation

February 8, 2024

Autoren: Boyi Li, Yue Wang, Jiageng Mao, Boris Ivanovic, Sushant Veer, Karen Leung, Marco Pavone

cs.AI

Zusammenfassung

Die Anpassung des Fahrverhaltens an neue Umgebungen, Gepflogenheiten und Gesetze ist ein langjähriges Problem im Bereich des autonomen Fahrens, das die breite Einführung autonomer Fahrzeuge (AVs) bisher verhindert hat. In diesem Artikel stellen wir LLaDA vor, ein einfaches, aber leistungsstarkes Werkzeug, das sowohl menschlichen Fahrern als auch autonomen Fahrzeugen ermöglicht, überall zu fahren, indem es ihre Aufgaben und Bewegungspläne an die Verkehrsregeln neuer Standorte anpasst. LLaDA erreicht dies, indem es die beeindruckende Zero-Shot-Generalisierungsfähigkeit großer Sprachmodelle (LLMs) nutzt, um die Verkehrsregeln in den lokalen Fahrerhandbüchern zu interpretieren. Durch eine umfangreiche Benutzerstudie zeigen wir, dass die Anweisungen von LLaDA nützlich sind, um unerwartete Situationen in der realen Welt zu klären. Wir demonstrieren auch die Fähigkeit von LLaDA, die Bewegungsplanungsstrategien von AVs in realen Datensätzen anzupassen; LLaDA übertrifft die Baseline-Planungsansätze in allen unseren Metriken. Weitere Details finden Sie auf unserer Website: https://boyiliee.github.io/llada.

English

Adapting driving behavior to new environments, customs, and laws is a long-standing problem in autonomous driving, precluding the widespread deployment of autonomous vehicles (AVs). In this paper, we present LLaDA, a simple yet powerful tool that enables human drivers and autonomous vehicles alike to drive everywhere by adapting their tasks and motion plans to traffic rules in new locations. LLaDA achieves this by leveraging the impressive zero-shot generalizability of large language models (LLMs) in interpreting the traffic rules in the local driver handbook. Through an extensive user study, we show that LLaDA's instructions are useful in disambiguating in-the-wild unexpected situations. We also demonstrate LLaDA's ability to adapt AV motion planning policies in real-world datasets; LLaDA outperforms baseline planning approaches on all our metrics. Please check our website for more details: https://boyiliee.github.io/llada.