自动驾驶的语言驱动成本优化

自动驾驶车辆的驾驶行为通常由其运动规划器的成本函数控制，该成本函数对速度跟踪、平稳性、车道保持和避免碰撞等目标进行编码。然而，调整形成此成本函数的参数是一项具有挑战性的任务，需要技术专业知识，限制了车辆适应不断变化的交通场景或最终用户偏好的能力。这项工作提出了一种用于自动驾驶自适应成本设计的语言驱动框架。 大语言模型 (LLM) 解释结构化场景描述和自然语言用户查询，以生成应用于风险感知模型预测路径积分 (MPPI) 控制器的参数。该系统包含一个人机交互验证阶段，其中所提议的行为变化以非技术语言进行描述，并在部署之前得到确认。用户还可以在部署之前或之后提供反馈，从而能够迭代改进车辆的运动行为。该框架在实际驾驶场景中通过多个查询进行评估，以评估其有效性。仿真结果表明，该方法成功地以直观的方式引发了符合预期要求的行为变化，从而弥合了智能车辆控制系统和最终用户之间的差距。