ParkingTransformer：LLM-增强型自动停车端到端轨迹规划

端到端自动停车已成为自动驾驶领域的一项关键任务。然而，现有方法存在黑盒特性，缺乏高层次的语义理解和可解释性，阻碍了从道路到目标点的无缝长距离自动停车的实现。为了解决这些限制，我们提出了 ParkingTransformer，这是一种利用多视图感知和 大语言模型 (LLM) 的场景理解能力的新颖框架。通过将轨迹查询与 LLM 隐式状态特征相结合，我们的方法直接与历史信息和原始传感器数据交互以输出规划轨迹，从而消除了对密集鸟瞰（BEV）表示的需要。为了弥补 LLM 空间推理能力的不足，我们引入 3D 位置编码来显式注入空间几何意识。此外，针对历史信息处理设计了固定窗口流机制，显着提高了长期时间处理效率和推理速度。此外，采用从粗到精的解码策略来逐步提高轨迹精度。在 CARLA 模拟器和真实车辆平台上进行了广泛的闭环实验。结果表明，我们的方法在 CARLA 模拟器中获得了 61.32 的驾驶分数，在真实实验中平均成功率为 88.70%，验证了所提算法的可行性和有效性。