C-TRAIL：面向自动驾驶轨迹规划的常识世界框架

自动驾驶轨迹规划日益借助大语言模型（LLM）进行常识推理，但LLM输出本质上不可靠，在安全关键应用中构成风险。我们提出C-TRAIL，一个构建在常识世界（Commonsense World）之上的框架，将LLM导出的常识与信任机制耦合，以指导轨迹规划。C-TRAIL通过召回、规划与更新的闭环循环运行：Recall模块查询LLM获取语义关系，并通过双重信任机制量化其可靠性；Plan模块通过Dirichlet信任策略将信任加权的常识注入蒙特卡洛树搜索（MCTS）；Update模块根据环境反馈自适应地修正信任分数与策略参数。在Highway-env的四个仿真场景和两个真实世界levelXData数据集（highD、rounD）上的实验表明，C-TRAIL持续优于最先进基线，平均将ADE降低40.2%、FDE降低51.7%，并将SR提升16.9个百分点。源代码发布于 https://github.com/ZhihongCui/CTRAIL。