ترجمه فارسی مقاله به سمت اتوماسیون رانندگی تعاونی تعاملی و قابل یادگیری: یک چارچوب تصمیم گیری با مدل بزرگ زبان

چکیده

At present, Connected Autonomous Vehicles (CAVs) have begun to open road testing around the world, but their safety and efficiency performance in complex scenarios is still not satisfactory. Cooperative driving leverages the connectivity ability of CAVs to achieve synergies greater than the sum of their parts, making it a promising approach to improving CAV performance in complex scenarios. However, the lack of interaction and continuous learning ability limits current cooperative driving to single-scenario applications and specific Cooperative Driving Automation (CDA). To address these challenges, this paper proposes CoDrivingLLM, an interactive and learnable LLM-driven cooperative driving framework, to achieve all-scenario and all-CDA. First, since Large Language Models(LLMs) are not adept at handling mathematical calculations, an environment module is introduced to update vehicle positions based on semantic decisions, thus avoiding potential errors from direct LLM control of vehicle positions. Second, based on the four levels of CDA defined by the SAE J3216 standard, we propose a Chain-of-Thought (COT) based reasoning module that includes state perception, intent sharing, negotiation, and decision-making, enhancing the stability of LLMs in multi-step reasoning tasks. Centralized conflict resolution is then managed through a conflict coordinator in the reasoning process. Finally, by introducing a memory module and employing retrieval-augmented generation, CAVs are endowed with the ability to learn from their past experiences. We validate the proposed CoDrivingLLM through ablation experiments on the negotiation module, reasoning with different shots experience, and comparison with other cooperative driving methods.

چکیده به فارسی (ترجمه ماشینی)

در حال حاضر ، وسایل نقلیه خودمختار متصل (CAV) شروع به آزمایش آزمایش جاده در سراسر جهان کرده اند ، اما عملکرد ایمنی و کارآیی آنها در سناریوهای پیچیده هنوز رضایت بخش نیست.رانندگی تعاونی توانایی اتصال CAV ها را برای دستیابی به هم افزایی های بیشتر از مجموع قطعات آنها اعمال می کند ، و این یک رویکرد امیدوار کننده برای بهبود عملکرد CAV در سناریوهای پیچیده است.با این حال ، عدم تعامل و توانایی یادگیری مداوم ، رانندگی تعاونی فعلی را به برنامه های تک صحنه و اتوماسیون رانندگی تعاونی خاص (CDA) محدود می کند.برای پرداختن به این چالش ها ، این مقاله CodrivingLLM ، یک چارچوب رانندگی تعاونی LLM محور LLM را برای دستیابی به All-Scenario و All-CDA پیشنهاد می کند.اول ، از آنجا که مدلهای بزرگ زبان (LLMS) در رسیدگی به محاسبات ریاضی ماهر نیستند ، یک ماژول محیط برای به روزرسانی موقعیت های وسیله نقلیه بر اساس تصمیمات معنایی معرفی می شود ، بنابراین از خطاهای احتمالی از کنترل مستقیم LLM موقعیت های وسیله نقلیه جلوگیری می کند.دوم ، بر اساس چهار سطح CDA که توسط استاندارد SAE J3216 تعریف شده است ، ما یک ماژول استدلال مبتنی بر زنجیره ای (COT) را پیشنهاد می کنیم که شامل درک دولت ، اشتراک قصد ، مذاکره و تصمیم گیری ، افزایش ثبات LLMS است.در کارهای استدلال چند مرحله ای.سپس حل و فصل مناقشه متمرکز از طریق یک هماهنگ کننده درگیری در فرایند استدلال اداره می شود.سرانجام ، با معرفی یک ماژول حافظه و استفاده از نسل بازیابی ، CAVS با توانایی یادگیری از تجربیات گذشته خود ، وقف می شود.ما CodrivingLLM پیشنهادی را از طریق آزمایش های فرسایش در ماژول مذاکره ، استدلال با تجربه عکس های مختلف و مقایسه با سایر روش های رانندگی تعاونی تأیید می کنیم.