迈向合法自动驾驶：从交通法律法规推导场景感知的驾驶要求

遵守交通法律法规是人类驾驶员的基本要求，然而自动驾驶车辆（AV）可能在多样的现实场景中违反这些要求。为了将守法性编码进 AV 系统，传统方法使用形式逻辑语言显式规定行为约束，但这一过程劳动密集、难以扩展且维护成本高昂。随着人工智能的近期进展，利用大语言模型（LLM）从交通法律法规中推导法律要求是颇具前景的方向。然而，若缺乏在结构化交通场景中的明确的场景关联与推理，LLM 常会检索到不相关的条款或遗漏适用的条款，从而产生不精确的要求。为解决这一问题，我们提出一种新流水线，通过编码层级语义的节点级锚点，将 LLM 推理关联到交通场景分类体系。在中国交通法律法规与 OnSite 数据集（5,897 个场景）上，我们的方法将法律-场景匹配提升 29.1%，并使推导出的强制性要求与禁止性要求的准确率分别提高 36.9% 和 38.2%。我们进一步通过为 AV 导航构建守法层，并开发用于实地测试的车载实时合规监视器，展示了现实世界的适用性，为未来 AV 的开发、部署与监管审查提供了坚实基础。