Chat2Scenario: Scenario Extraction From Dataset Through Utilization of Large Language Model

大型语言模型（LLM）的出现为验证自动驾驶系统（ADS）提供了新的洞见。本文介绍了一种从自然驾驶数据集中提取场景的新方法。提出了一个名为Chat2Scenario的框架，利用LLM的先进自然语言处理（NLP）能力来理解和识别不同的驾驶场景。通过输入驾驶条件的描述性文本并指定关键度量阈值，该框架可以有效地搜索所需场景并将其转换为ASAM OpenSCENARIO和IPG CarMaker文本文件。这种方法简化了场景提取过程并提高了效率。模拟实验被执行以验证该方法的效率。该框架基于一个用户友好的Web应用程序呈现，并可通过以下链接进行访问：https://github.com/ftgTUGraz/Chat2Scenario。

本论文旨在提出一种使用大型语言模型（LLM）从自然驾驶数据集中提取场景的新方法，以验证自动驾驶系统（ADS）的有效性。

论文提出了一种名为Chat2Scenario的框架，利用LLM的高级自然语言处理（NLP）能力来理解和识别不同的驾驶场景，并将它们转换为ASAM OpenSCENARIO和IPG CarMaker文本文件。通过输入驾驶条件的描述性文本并指定关键性指标阈值，该框架可以高效地搜索所需的场景并将其转换为文本文件，从而简化了场景提取过程并提高了效率。

论文使用了自然驾驶数据集进行实验，并使用了ASAM OpenSCENARIO和IPG CarMaker等工具进行验证。该框架是基于用户友好的Web应用程序，可通过GitHub链接访问。该框架的开源代码也可在GitHub上获得。论文提出的方法可以为ADS的验证提供新的思路，并且可以在未来的研究中进一步改进和扩展。

在这个领域中，最近的相关研究包括：1.《Automated Driving: Safety, Legal and Regulatory Aspects for the EU and US》；2.《A Survey of Autonomous Vehicles: From a Psychological Perspective》；3.《A Survey of the State of the Art of Autonomous Vehicle Simulation》等。