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

### 저자

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

### 💡 개요

본 논문은 장기적 학습이 필요한 자율주행의 복잡한 상황(long-tail scenarios)에 대응하기 위한 'LiloDriver'라는 평생 학습 프레임워크를 제안합니다. LiloDriver는 대규모 언어 모델(LLMs)과 메모리 강화 플래너 생성 시스템을 통합하여 별도의 재학습 없이 새로운 시나리오에 지속적으로 적응하며, 인지, 장면 인코딩, 메모리 기반 전략 개선, LLM 기반 추론의 4단계 구조를 갖습니다. nuPlan 벤치마크 평가에서 일반적인 상황뿐만 아니라 드문 상황에서도 기존의 규칙 기반 및 학습 기반 플래너보다 우수한 성능을 보였습니다.

### 🔑 시사점 및 한계

- 복잡하고 드문 주행 상황에서도 탁월한 성능을 보이는 자율주행 모션 플래닝 솔루션을 제공합니다.

- 구조화된 메모리와 LLM 추론의 결합이 확장 가능하고 사람과 유사한 주행 계획을 가능하게 함을 보여줍니다.

- LLM의 환각(hallucination) 현상이나 실제 환경에서의 복잡한 상호작용에 대한 추가적인 검증 및 개선이 필요할 수 있습니다.

---

[PDF 보기](https://arxiv.org/pdf/2505.17209)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).