Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios

Created by
  • Haebom

저자

Huaiyuan Yao, Pengfei Li, Bu Jin, Yupeng Zheng, An Liu, Lisen Mu, Qing Su, Qian Zhang, Yilun Chen, Peng Li

개요

LiloDriver는 장기간에 걸친 자율 주행 시나리오에서 폐쇄 루프 동작 계획을 위한 평생 학습 프레임워크입니다. 대규모 언어 모델(LLM)과 메모리 증강 플래너 생성 시스템을 통합하여 재훈련 없이 새로운 시나리오에 지속적으로 적응합니다. 지각, 장면 인코딩, 메모리 기반 전략 개선, LLM 가이드 추론을 포함하는 4단계 아키텍처를 특징으로 합니다. nuPlan 벤치마크에서 평가된 LiloDriver는 일반적이고 드문 주행 시나리오 모두에서 정적 규칙 기반 및 학습 기반 플래너보다 우수한 성능을 달성합니다. 구조화된 메모리와 LLM 추론을 결합하여 실제 자율 주행에서 확장 가능하고 인간과 유사한 동작 계획을 가능하게 하는 효과를 강조합니다. 코드는 https://github.com/Hyan-Yao/LiloDriver 에서 이용 가능합니다.

시사점, 한계점

•
시사점:
◦
LLM과 메모리 증강 시스템을 결합하여 장기간에 걸친 자율 주행 시나리오에 대한 적응력을 높였습니다.
◦
재훈련 없이 새로운 시나리오에 대한 적응이 가능합니다.
◦
nuPlan 벤치마크에서 기존 방법보다 우수한 성능을 보였습니다.
◦
실제 자율 주행에서 확장 가능하고 인간과 유사한 동작 계획이 가능함을 보여줍니다.
•
한계점:
◦
실제 세계 평가에 대한 자세한 내용이 부족합니다.
◦
LLM 의존성으로 인한 계산 비용 및 안정성 문제가 있을 수 있습니다.
◦
메모리 관리 및 효율성에 대한 추가적인 연구가 필요할 수 있습니다.
◦
다양한 환경과 시나리오에 대한 일반화 성능에 대한 추가적인 검증이 필요합니다.
👍
Made with Slashpage