SafeDrive: Knowledge- and Data-Driven Risk-Sensitive Decision-Making for Autonomous Vehicles with Large Language Models

要約

自動運転車 (AV) の最近の進歩では、大規模言語モデル (LLM) が使用され、通常の運転シナリオで適切に動作します。
しかし、動的でリスクの高い環境での安全性の確保と、安全性が重要なロングテールイベントの管理は依然として大きな課題です。
これらの問題に対処するために、AV の安全性と適応性を強化するための、知識とデータに基づいたリスクに敏感な意思決定フレームワークである SafeDrive を提案します。
提案されたフレームワークは、以下を含むモジュラー システムを導入します。(1) ドライバー、車両、道路の相互作用に関わる多要素の結合リスクを定量化するためのリスク モジュール。
(2) 適応性を向上させるために、典型的なシナリオを保存および取得するためのメモリ モジュール。
(3) コンテキストを認識した安全性の意思決定のための LLM を利用した推論モジュール。
(4) 反復学習を通じて意思決定を洗練するためのリフレクション モジュール。
このフレームワークは、知識に基づく洞察を適応学習メカニズムと統合することで、不確実な状況下でも確実な意思決定を保証します。
高速道路 (HighD)、交差点 (InD)、環状交差点 (RounD) を含む現実世界の交通データセットに関する広範な評価により、意思決定の安全性を強化し (100% の安全率を達成)、人間のような運転を再現するフレームワークの能力を検証します。
(意思決定の整合性が 85% を超える)、予測不可能なシナリオに効果的に適応します。
SafeDrive は、知識主導型とデータ主導型の手法を統合するための新しいパラダイムを確立し、リスクの高い交通シナリオにおける自動運転の安全性と適応性を向上させる大きな可能性を強調します。
プロジェクトページ: https://mezzi33.github.io/SafeDrive/

要約(オリジナル)

Recent advancements in autonomous vehicles (AVs) use Large Language Models (LLMs) to perform well in normal driving scenarios. However, ensuring safety in dynamic, high-risk environments and managing safety-critical long-tail events remain significant challenges. To address these issues, we propose SafeDrive, a knowledge- and data-driven risk-sensitive decision-making framework to enhance AV safety and adaptability. The proposed framework introduces a modular system comprising: (1) a Risk Module for quantifying multi-factor coupled risks involving driver, vehicle, and road interactions; (2) a Memory Module for storing and retrieving typical scenarios to improve adaptability; (3) a LLM-powered Reasoning Module for context-aware safety decision-making; and (4) a Reflection Module for refining decisions through iterative learning. By integrating knowledge-driven insights with adaptive learning mechanisms, the framework ensures robust decision-making under uncertain conditions. Extensive evaluations on real-world traffic datasets, including highways (HighD), intersections (InD), and roundabouts (RounD), validate the framework’s ability to enhance decision-making safety (achieving a 100% safety rate), replicate human-like driving behaviors (with decision alignment exceeding 85%), and adapt effectively to unpredictable scenarios. SafeDrive establishes a novel paradigm for integrating knowledge- and data-driven methods, highlighting significant potential to improve safety and adaptability of autonomous driving in high-risk traffic scenarios. Project Page: https://mezzi33.github.io/SafeDrive/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google