自动驾驶决策系统发展现状 - 自动驾驶决策模块对可解释性要求日益提高，深度学习虽为主流方法但存在非分布场景性能下降、决策逻辑难解释等问题[1] - 基于规则的系统具备透明性优势，但依赖专家知识且对复杂环境适应性有限[1] ADRD框架核心创新 - 结合大语言模型(LLM)与规则决策系统，通过自然语言处理实现驾驶策略生成[2] - 框架包含信息模块(场景/规则转换)、代理模块(决策树构建)、测试模块(闭环验证)三部分[5][7] - 采用规划器-编码器-汇总器协作机制，支持策略生成、代码转换及迭代优化[7][13] 技术实现细节 - 规划器通过系统提示、驾驶目标、历史记录生成策略，示例显示变道决策优先考虑左车道安全性[8][9][10] - 编码器将文本策略转为可执行代码，决策树可视化便于专家调试[16] - 汇总器分析碰撞报告定位策略或代码问题，实现闭环改进[19] 实验验证结果 - 在Highway-v0场景测试中，ADRD平均安全驾驶时间达25.15秒(普通密度)，显著优于PPO(10.9秒)和DiLu(23秒)[21][22] - 极端密度(3.0)下仍保持13.55秒安全驾驶时间，控制效率达<1.0×10^-6秒/指令[22] - 激进风格决策树深度比保守风格增加37%，反映不同驾驶偏好对策略复杂度的影响[23] 行业应用价值 - 框架同时解决传统方法在性能、响应速度(推理效率提升1000倍)和可解释性上的缺陷[26] - 决策树结构支持人工干预，为自动驾驶系统调试提供新范式[12][16]