CoDrivingLLM

CoDrivingLLM

思路

1.输入和输出

输入

算法的输入包括车辆当前时刻的状态$S_t$ ，这个状态包含了车辆的位置、速度、行驶方向等信息；以及参与协同驾驶的联网自动驾驶汽车列表C，用于确定需要进行决策的车辆集合。

输出

输出为车辆下一时刻的状态$S_{t+1}$，这是经过算法计算和决策后得到的车辆新状态，用于车辆的实际行驶控制。

2. 推理模块

2.1 初始化决策缓冲区D和场景描述缓冲区sce：

为每辆联网自动驾驶汽车初始化决策缓冲区D，用于存储每辆车的决策结果；初始化场景描述缓冲区sce，用于存储对驾驶场景的描述信息 。

2.2 生成场景描述：

遍历车辆列表C，对于每辆车i，根据当前时刻的车辆状态$S_t$生成其场景描述$sc{e}_i$，这个描述包含了车辆自身的状态以及周围环境的信息，如其他车辆的位置、速度等。然后将生成的场景描述$sc{e}_i$添加到场景描述缓冲区sce中。

2.3 生成冲突描述：

基于场景描述缓冲区sce中的信息，使用冲突协调器生成冲突描述con。冲突协调器会分析场景中车辆之间可能存在的冲突情况，例如车辆行驶路径的交叉、速度差异可能导致的碰撞风险等，并生成相应的冲突描述

2.4 筛选冲突描述：

再次遍历车辆列表C，对于每辆车i，从冲突描述con中筛选出与本车相关的冲突描述coni，并进行排序，以便后续针对性地处理冲突。

3.记忆模块

3.1检索相关记忆：

对于每辆车i，根据其场景描述(sce_i)和冲突描述coni，从记忆数据库中检索与之最相关的过往记忆m。这些记忆包含了过去类似场景下的决策经验和结果

3.2生成决策提示：

结合检索到的记忆m、当前场景描述(sce_i)和冲突描述coni，生成用于大语言模型推理的决策提示。这个提示信息为大语言模型提供了丰富的上下文，帮助其做出更合理的决策。推理决策：使用大语言模型基于生成的决策提示进行推理，得出最终的语义决策di，例如车辆应该加速、减速、转弯等。

3.3存储决策：

将每辆车i的最终决策di添加到决策缓冲区D中，以便后续用于更新车辆状态。

4.环境模块

4.1更新车辆状态：

根据公式 5 和公式 6，利用决策缓冲区D中的决策信息更新车辆下一时刻的状态$S_{t+1}$。这两个公式可能涉及车辆运动学和动力学的计算，将语义决策转化为车辆的实际控制量，如加速度、转向角度等，从而确定车辆的新位置、速度等状态信息。

4.2评估决策并存储：

对本次决策对驾驶场景产生的影响进行评估，例如是否成功避免了冲突、是否提高了交通效率等。然后将评估结果和相关信息添加到记忆数据库中，为后续的驾驶决策提供更多的经验参考，实现系统的学习和优化。