要約
複雑なシナリオにおける動作計画は、自動運転における中心的な課題です。
従来の方法では、事前に定義されたルールを適用するか、運転データから学習して将来の軌道を計画します。
最近の手法では、大規模言語モデル (LLM) に保存されている知識を検索し、運転シナリオに適用します。
有望な結果にもかかわらず、LLM が根底にある人間のロジックを学習して駆動できるかどうかはまだ不明です。
この論文では、LLM を明示的な命令チューニングを備えたモーション プランナーに変換して、その動作を人間と一致させる InstructDriver メソッドを提案します。
人間の論理(例:衝突を起こさない)と交通ルール(例:青信号のみ進行)に基づいて運転指示データを導き出します。
次に、解釈可能な InstructChain モジュールを使用して、指示を反映した最終計画をさらに推論します。
当社の InstructDriver は、人間によるルールの挿入と駆動データからの学習を可能にし、解釈可能性とデータのスケーラビリティの両方を可能にします。
閉ループまたはシミュレートされた設定で実験する既存の方法とは異なり、より適切な評価を行うために、現実世界の閉ループ モーション プランニング nuPlan ベンチマークを採用します。
InstructDriver は、現実世界の閉ループ設定における LLM プランナーの有効性を実証します。
私たちのコードは https://github.com/bonbon-rj/InstructDriver で公開されています。
要約(オリジナル)
Motion planning in complex scenarios is the core challenge in autonomous driving. Conventional methods apply predefined rules or learn from driving data to plan the future trajectory. Recent methods seek the knowledge preserved in large language models (LLMs) and apply them in the driving scenarios. Despite the promising results, it is still unclear whether the LLM learns the underlying human logic to drive. In this paper, we propose an InstructDriver method to transform LLM into a motion planner with explicit instruction tuning to align its behavior with humans. We derive driving instruction data based on human logic (e.g., do not cause collisions) and traffic rules (e.g., proceed only when green lights). We then employ an interpretable InstructChain module to further reason the final planning reflecting the instructions. Our InstructDriver allows the injection of human rules and learning from driving data, enabling both interpretability and data scalability. Different from existing methods that experimented on closed-loop or simulated settings, we adopt the real-world closed-loop motion planning nuPlan benchmark for better evaluation. InstructDriver demonstrates the effectiveness of the LLM planner in a real-world closed-loop setting. Our code is publicly available at https://github.com/bonbon-rj/InstructDriver.
arxiv情報
著者 | Ruijun Zhang,Xianda Guo,Wenzhao Zheng,Chenming Zhang,Kurt Keutzer,Long Chen |
発行日 | 2024-06-11 14:24:45+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google