安全驱动:基于知识和数据的风险敏感决策,用于具有大型语言模型的自动驾驶汽车.
Zhiyuan Zhou1, Heye Huang2, Boqi Li3
1Department of Financial Engineering, University of Southern California, CA 90089, USA.
Accident; analysis and prevention
|October 30, 2025
概括
使用基于知识和数据的框架,SafeDrive提高了自动驾驶汽车的安全性. 它改善了高风险场景中的决策,实现了100%的安全率和类似人类的适应能力.
科学领域:
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
- 运输工程 运输工程
背景情况:
- 自动驾驶汽车 (AV) 在正常条件下表现出色,但在高风险,长尾事件中扎.
- 当前的自动驾驶安全系统需要针对动态和不可预测的交通环境进行改进.
研究的目的:
- 引入SafeDrive,这是AV中风险敏感决策的新框架.
- 在复杂的驾驶场景中提高AV安全性,适应性和性能.
主要方法:
- 一个模块化框架,整合了风险量化,场景记忆,LLM驱动的推理和代学习.
- 使用多因素风险评估 (驾驶员,车辆,道路互动).
- 采用大型语言模型 (LLM) 进行情境意识的决策.
主要成果:
- 在对真实世界数据集 (HighD,InD,RounD) 的评估中,SafeDrive实现了100%的安全率.
- 与人类类似的驾驶行为决策一致性超过85%.
- 证明有效适应不可预测和高风险的交通场景.
结论:
- 安全驱动提供了一个强大的范式,用于在自动驾驶汽车中集成知识和数据驱动的方法.
- 该框架显著提高了AV安全性和适应性,特别是在长尾或高风险情况下.
- 这项研究为更可靠,更安全的自动驾驶系统铺平了道路.

