Asynchronous Large Language Model Enhanced Planner for Autonomous Driving

尽管实时规划器在自主驾驶中表现出了出色的性能，但对大型语言模型（LLM）的日益探索开辟了增强运动规划的可解释性和可控性的途径。然而，基于LLM的规划器仍然面临着重大挑战，包括资源消耗增加和推理时间延长，这对实际部署构成了重大障碍。鉴于这些挑战，我们介绍了AsyncDriver，这是一个新的异步LLM增强闭环框架，旨在利用LLM产生的场景相关指令特征来指导实时规划器进行精确和可控的轨迹预测。一方面，我们的方法突显了LLM在理解和推理向量化场景数据和一系列路由指令方面的能力，展示了它对实时规划器的有效帮助。另一方面，所提出的框架将LLM和实时规划器的推理过程解耦。通过利用它们推理频率的异步性，我们的方法成功地降低了LLM引入的计算成本，同时保持了可比较的性能。实验证明，我们的方法在nuPlan的挑战场景中实现了优越的闭环评估性能。

论文旨在提高语言模型在自动驾驶中的可解释性和可控性，同时解决当前语言模型在实际应用中资源消耗和推理时间过长的问题。

提出了一种异步的基于语言模型的闭环框架，利用语言模型产生的场景相关指令特征来指导实时规划器进行精确和可控的轨迹预测，通过异步化降低了语言模型带来的计算成本。

实验结果表明，该方法在nuPlan的挑战性场景中取得了优异的闭环评估性能。

最近的相关研究包括使用深度学习模型进行自动驾驶规划的研究，如基于强化学习的方法，以及利用语言模型进行驾驶决策和行为预测的研究，如GPT-3模型。