Instruct Large Language Models to Drive like Humans

在自动驾驶中，复杂场景下的运动规划是核心挑战。传统方法采用预定义规则或从驾驶数据中学习以规划未来轨迹。近期的方法寻求存储在大型语言模型（LLM）中的知识，并将其应用于驾驶场景中。尽管结果很有前途，但LLM是否学习了驾驶的基本人类逻辑仍不清楚。本文提出了一种InstructDriver方法，将LLM转化为具有显式指令调整的运动规划器，以使其行为与人类相一致。我们基于人类逻辑（例如，不要造成碰撞）和交通规则（例如，只有绿灯时才能前行）推导出驾驶指令数据。然后，我们采用可解释的InstructChain模块进一步推理反映指令的最终规划。我们的InstructDriver允许注入人类规则并从驾驶数据中学习，实现了可解释性和数据可扩展性。与现有方法在闭环或模拟设置中进行实验不同，我们采用了真实世界的闭环运动规划nuPlan基准进行更好的评估。InstructDriver在真实世界的闭环设置中展示了LLM规划器的有效性。我们的代码公开在https://github.com/bonbon-rj/InstructDriver。

如何将大语言模型（LLMs）应用于自动驾驶中的复杂场景中的运动规划？本文提出了InstructDriver方法来将LLMs转换为运动规划器，并通过显式指令调整其行为以与人类一致。

本文的关键思路是通过提供人类逻辑和交通规则的驾驶指令数据来转换LLMs，然后使用可解释的InstructChain模块来进一步推理反映指令的最终规划。

本文提出的InstructDriver方法通过注入人类规则和学习驾驶数据，实现了可解释性和数据可扩展性，并在真实世界的闭环运动规划nuPlan基准测试中展示了LLMs规划器的有效性。作者公开了代码。

最近的相关研究包括使用预定义规则或从驾驶数据中学习规划未来轨迹的传统方法，以及将LLMs应用于驾驶场景中并应用它们的知识的方法。