Driving Style Alignment for LLM-powered Driver Agent

最近，以LLM技术为基础的驾驶员代理已经展示出在自动驾驶领域具有相当大的潜力，展示了类似人类的推理和决策能力。然而，目前关于将驾驶员代理的行为与人类驾驶风格对齐的研究仍然有限，部分原因是缺乏高质量的自然语言数据来自人类驾驶行为。为了解决这一研究空白，我们提出了一个多对齐框架，旨在通过演示和反馈将驾驶员代理与人类驾驶风格对齐。值得注意的是，我们通过自然驾驶实验和驾驶后访谈构建了一个自然语言数据集，为LLM对齐提供了高质量的人类演示。该框架的有效性通过在CARLA城市交通模拟器中进行的模拟实验进行验证，并得到了人类评估的进一步证实。我们的研究为设计具有多样化驾驶风格的驾驶代理提供了有价值的见解。该框架的实现和数据集的详细信息可以在链接中找到。

本论文的问题是如何将驾驶代理的行为与人类驾驶风格进行对齐，以提高自动驾驶技术的人性化。为了解决这一问题，需要收集高质量的人类驾驶行为数据。

本论文提出了一种基于多重对齐的框架，通过演示和反馈来将驾驶代理与人类驾驶风格进行对齐。同时，通过自然驾驶实验和后续访谈构建了高质量的人类驾驶行为自然语言数据集，为驾驶代理的对齐提供了可靠的人类演示。

本论文的亮点包括使用自然驾驶实验和后续访谈构建高质量的人类驾驶行为自然语言数据集，提出了基于多重对齐的框架，通过模拟实验和人工评估验证了该框架的有效性。此外，还提供了实现细节和数据集，以供研究人员进一步探索。

在该领域的相关研究包括“End-to-End Learning for Self-Driving Cars”和“Learning a Driving Simulator”。