LiloDriver：長尾の自動運転シナリオにおける閉ループ・モーション計画のための、生涯学習フレームワーク

Abstract

持続性があり、安全で、適応的な運動計画（motion planner）に向けた自動運転研究の最近の進展は目覚ましい。しかし、既存のルールベースおよびデータ駆動型のプランナーはロングテール（稀な）シナリオへの適応力を欠いている一方で、知識駆動型の手法は強力な推論を提供するものの、表現、制御、そして実世界での評価に課題がある。これらの課題に対処するために、本稿では、ロングテールな自動運転シナリオにおけるクローズドループ運動計画のための生涯学習フレームワークであるLiloDriverを提案する。大規模言語モデル（LLM）と、メモリ拡張型のプランナー生成システムを統合することで、LiloDriverは再学習なしに新しいシナリオへと継続的に適応する。知覚、シーンエンコーディング、メモリに基づく戦略洗練、そしてLLMに導かれた推論を含む4段階のアーキテクチャを備える。nuPlanベンチマークで評価したところ、LiloDriverは一般的な走行シナリオと稀な走行シナリオの両方で優れた性能を達成し、静的なルールベースおよび学習ベースのプランナーを上回った。これらの結果は、構造化されたメモリとLLMによる推論を組み合わせることで、実世界の自動運転におけるスケーラブルで人間らしい運動計画を可能にすることの有効性を示している。コードは https://github.com/Hyan-Yao/LiloDriver で公開している。