Continuously Learning, Adapting, and Improving: A Dual-Process Approach to Autonomous Driving

自动驾驶得益于传感器、机器学习和人工智能的不断进步，但是现有方法在复杂场景和因果关系方面仍存在问题，限制了在不同环境下的适应性和可解释性。为了解决这些问题，本文提出了LeapAD，这是一种受人类认知过程启发的自动驾驶新范式。具体而言，LeapAD通过选择与驾驶决策相关的关键对象来模拟人类注意力，简化环境解释，减轻决策复杂性。此外，LeapAD还包括一种创新的双过程决策模块，它由用于彻底分析和推理的分析过程（系统II）和用于快速和经验性处理的启发式过程（系统I）组成。分析过程利用其逻辑推理来积累语言驾驶经验，然后通过受监督的微调将其传递给启发式过程。通过反思机制和不断增长的记忆库，LeapAD在封闭环境中不断改进自身。在CARLA的封闭环境测试中，LeapAD表现优于仅依赖摄像头输入的所有方法，并且需要1-2个数量级更少的标记数据。实验还表明，随着记忆库的扩大，仅具有1.8B参数的启发式过程可以继承来自GPT-4驱动的分析过程的知识，并实现持续的性能提高。代码将在https://github.com/PJLab-ADG/LeapAD上发布。

解决问题：论文试图通过模拟人类认知过程，解决自动驾驶中复杂场景和因果关系的问题，提高自适应性和可解释性。

关键思路：LeapAD模拟人类注意力，选择与驾驶决策相关的重要物体，简化环境解释，减少决策复杂性。同时，LeapAD采用创新的双重决策模块，包括分析过程（System-II）和启发式过程（System-I），并通过反射机制和不断增长的记忆库不断自我提高。

其他亮点：论文在CARLA上进行了闭环测试，表明LeapAD优于仅依赖摄像头输入的所有方法，需要1-2个数量级更少的标记数据。实验还表明，随着记忆库的扩大，仅有1.8B参数的启发式过程可以继承GPT-4驱动的分析过程的知识，并实现持续的性能提高。作者将代码发布在https://github.com/PJLab-ADG/LeapAD。

相关研究：最近的相关研究包括使用深度学习方法进行自动驾驶的研究，如End-to-End方法和强化学习方法。也有研究关注于提高自适应性和可解释性，如使用注意力机制和解释性AI技术的方法。相关论文包括《End to End Learning for Self-Driving Cars》和《Interpretable and Fine-grained Vehicle Behavior Prediction with Graph Neural Networks》等。