LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios

要約

堅牢で安全で適応的なモーションプランナーに対する自律的な運転研究の最近の進歩。
ただし、既存のルールベースとデータ駆動型プランナーは、長期尾のシナリオへの適応性がありませんが、知識駆動型の方法は強力な推論を提供しますが、表現、制御、および現実世界の評価における課題に直面しています。
これらの課題に対処するために、ロングテールの自律運転シナリオでの閉ループモーション計画のための生涯学習フレームワークであるLilodriverを提示します。
大規模な言語モデル（LLMS）をメモリの熟成プランナー生成システムと統合することにより、Lilodriverは再訓練なしで新しいシナリオに継続的に適応します。
認識、シーンエンコード、メモリベースの戦略の改良、LLM誘導推論などの4段階のアーキテクチャを備えています。
Nuplanベンチマークで評価されたLilodriverは、一般的な運転シナリオとレアドライビングシナリオの両方で優れたパフォーマンスを達成し、静的ルールベースと学習ベースのプランナーよりも優れています。
私たちの結果は、実世界の自律運転におけるスケーラブルで人間のような動きの計画を可能にするために、構造化されたメモリとLLMの推論を組み合わせることの有効性を強調しています。
私たちのコードは、https：//github.com/hyan-yao/lilodriverで入手できます。

要約(オリジナル)

Recent advances in autonomous driving research towards motion planners that are robust, safe, and adaptive. However, existing rule-based and data-driven planners lack adaptability to long-tail scenarios, while knowledge-driven methods offer strong reasoning but face challenges in representation, control, and real-world evaluation. To address these challenges, we present LiloDriver, a lifelong learning framework for closed-loop motion planning in long-tail autonomous driving scenarios. By integrating large language models (LLMs) with a memory-augmented planner generation system, LiloDriver continuously adapts to new scenarios without retraining. It features a four-stage architecture including perception, scene encoding, memory-based strategy refinement, and LLM-guided reasoning. Evaluated on the nuPlan benchmark, LiloDriver achieves superior performance in both common and rare driving scenarios, outperforming static rule-based and learning-based planners. Our results highlight the effectiveness of combining structured memory and LLM reasoning to enable scalable, human-like motion planning in real-world autonomous driving. Our code is available at https://github.com/Hyan-Yao/LiloDriver.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google