LiloDriver: ロングテール自動運転シーンにおける閉ループ運動計画のための生涯学習フレームワーク
LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios
大規模言語モデルと記憶拡張型プランナ生成を組み合わせ、再学習なしで新たなロングテール走行シーンに適応する生涯学習型の閉ループ運動計画フレームワークを提案し、nuPlanベンチマークで有効性を示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Huaiyuan Yao, Pengfei Li, Bu Jin, Yupeng Zheng, An Liu, Lisen Mu, Qing Su, Qian Zhang, Yilun Chen, Peng Li
分類: cs.RO, cs.AI
原文アブストラクト
Recent advances in autonomous driving research towards motion planners that are robust, safe, and adaptive. However, existing rule-based and data-driven planners lack adaptability to long-tail scenarios, while knowledge-driven methods offer strong reasoning but face challenges in representation, control, and real-world evaluation. To address these challenges, we present LiloDriver, a lifelong learning framework for closed-loop motion planning in long-tail autonomous driving scenarios. By integrating large language models (LLMs) with a memory-augmented planner generation system, LiloDriver continuously adapts to new scenarios without retraining. It features a four-stage architecture including perception, scene encoding, memory-based strategy refinement, and LLM-guided reasoning. Evaluated on the nuPlan benchmark, LiloDriver achieves superior performance in both common and rare driving scenarios, outperforming static rule-based and learning-based planners. Our results highlight the effectiveness of combining structured memory and LLM reasoning to enable scalable, human-like motion planning in real-world autonomous driving. Our code is available at https://github.com/Hyan-Yao/LiloDriver.
関連論文
- 自動運転の倫理における視点の考慮：車両運動計画における集合的リスク自動運転/運動計画
- 安全強化学習でMPCを強化：自動運転の運動計画におけるSRMPC自動運転/運動計画
- サンプリングを学習する：強化学習ガイドによる自動運転の運動計画自動運転/運動計画
- ゲーム理論を用いた探索ベースの自動運転車両の運動計画自動運転/運動計画
- MP-RBFN：動径基底関数ネットワークによる車両モーションプリミティブの学習自動運転/運動計画
- FocalAD: 局所運動計画によるエンドツーエンド自動運転自動運転/運動計画
