Core Concepts
Bestehende Fahrzeugbewegungsplanungsverfahren zeigen kritische Mängel bei der Generalisierung auf seltene und interaktive Fahrszenarios, was eine Hürde für die Realisierung von Autonomie darstellt.
Abstract
Die Studie untersucht die Fähigkeit von Fahrzeugbewegungsplanungsverfahren, auf seltene und interaktive Fahrszenarios zu generalisieren. Dafür wird ein neuer Benchmark namens interPlan vorgestellt, der auf Basis realer Fahrdaten aus dem nuPlan-Datensatz erweitert wurde, um herausfordernde Situationen wie Baustellen, Unfallstellen oder Spurwechsel bei unterschiedlichen Verkehrsdichten zu schaffen.
Die Ergebnisse zeigen, dass weder regelbasierte noch lernbasierte Planungsverfahren in der Lage sind, diese Szenarien sicher zu navigieren. Regelbasierte Methoden scheitern an der Komplexität unerwarteter Situationen, während lernbasierte Verfahren an mangelnder Robustheit leiden.
Als vielversprechender Ansatz wird die Verwendung von Large Language Models (LLMs) für die Fahrzeugbewegungsplanung untersucht. Ein LLM-basierter Verhaltensplaner in Kombination mit einem regelbasierten Bewegungsplaner erzielt die besten Ergebnisse auf dem interPlan-Benchmark und dient als Ausgangspunkt für zukünftige Forschung.
Stats
Die Fahrzeugbewegungsplanungsverfahren erreichen auf dem interPlan-Benchmark folgende Gesamtpunktzahlen:
PDM-Closed: 42%
HybridLLMPlanner (LLama-7B): 53%
HybridLLMPlanner (LLama-13B): 48%
HybridLLMPlanner (GPT-3.5): 40%
Quotes
"Bestehende Fahrzeugbewegungsplanungsverfahren zeigen kritische Mängel bei der Generalisierung auf seltene und interaktive Fahrszenarios, was eine Hürde für die Realisierung von Autonomie darstellt."
"Als vielversprechender Ansatz wird die Verwendung von Large Language Models (LLMs) für die Fahrzeugbewegungsplanung untersucht."