Are LLMs The Way Forward? A Case Study on LLM-Guided Reinforcement Learning for Decentralized Autonomous Driving
Created by
Haebom
Category
Empty
저자
Timur Anvar, Jeffrey Chen, Yuyan Wang, Rohan Chandra
개요
자율 주행 시뮬레이션 환경에서 복잡한 상황에서의 자율 주행을 위한 연구를 진행했다. 강화 학습(RL)의 한계를 보완하기 위해 대규모 언어 모델(LLM)을 활용하는 방안을 모색했다. 특히, 소규모 LLM을 사용하여 RL의 보상 체계를 형성하는 하이브리드 접근 방식을 제안하고, RL-only, LLM-only, 하이브리드 방식을 비교 분석했다. 연구 결과, LLM 기반 접근 방식은 더 높은 성공률을 보일 수 있지만, 속도 저하 및 보수적인 경향을 나타냈다.
시사점, 한계점
•
시사점:
◦
소규모 LLM을 사용하여 RL 보상 체계를 개선하는 하이브리드 방식의 가능성을 제시했다.
◦
LLM 기반 자율 주행이 RL-only 방식보다 더 높은 성공률을 달성할 수 있음을 보였다.
