Управление повсюду с адаптацией политики на основе крупных языковых моделей

Driving Everywhere with Large Language Model Policy Adaptation

February 8, 2024

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

cs.AI

Аннотация

Адаптация стиля вождения к новым условиям, обычаям и законам является давней проблемой в области автономного вождения, что препятствует широкому внедрению автономных транспортных средств (АТС). В данной статье мы представляем LLaDA — простой, но мощный инструмент, который позволяет как людям-водителям, так и автономным транспортным средствам ездить повсюду, адаптируя свои задачи и планы движения к правилам дорожного движения в новых локациях. LLaDA достигает этого, используя впечатляющую способность крупных языковых моделей (LLM) к обобщению без предварительного обучения (zero-shot) для интерпретации правил дорожного движения из местных руководств для водителей. В ходе масштабного пользовательского исследования мы показываем, что инструкции LLaDA полезны для разрешения неоднозначных ситуаций в реальных условиях. Мы также демонстрируем способность LLaDA адаптировать политики планирования движения АТС на реальных наборах данных; LLaDA превосходит базовые подходы к планированию по всем нашим метрикам. Подробности можно найти на нашем сайте: 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.