论文
LUNA-AD：具有自动驾驶终身学习功能的轻量级不确定性感知语言模型
LUNA-AD: Lightweight Uncertainty-Aware Language Model with Lifelong Learning for Autonomous Driving
摘要
虽然 大语言模型 (LLM) 提供了有前途的推理能力，但它们与安全关键型驾驶系统的集成受到有限的推理多样性、高计算开销和静态学习范例的阻碍。为了应对这些挑战，我们提出了 LUNA-AD，这是一种轻量级的不确定性感知语言模型，具有自动驾驶 (AD) 的终身学习功能。 LUNA-AD 采用三系统架构，可协调复杂的多模式行为推理、高效部署和持续改进。我们设计了一个多智能体分析系统，通过不同的假设探索来生成不确定性感知决策演示。提炼出双头轻量级启发式模型，以统一决策分布和文本解释的推理，同时实现高效部署。此外，反思驱动的终身学习机制在多模式决策输出上运行，并保留战略多样性，允许通过闭环反馈细化候选决策和理由，以增强驾驶稳健性。 nuPlan 基准的大量实验表明，LUNA-AD 在非反应式和反应式模式下都实现了最先进的成功率，与现有的知识驱动的 AD 框架相比，推理延迟大大减少。