SurrealDriver: Designing Generative Driver Agent Simulation Framework in Urban Contexts based on Lar

这篇名为“SurrealDriver”的论文讨论了使用大型语言模型（LLMs）为城市环境中的自动驾驶开发生成式驾驶员代理仿真框架。以下是论文的详细概述：

摘要

• 框架概述：SurrealDriver 是一个仿真框架，利用 LLMs 模拟复杂的交通场景和真实的驾驶操作。
• 独特特点：包括一个由 24 名驾驶员的访谈信息指导的 ‘教练代理’ 模块，帮助开发类人的驾驶风格。
• 结果：完整框架显著降低了 81.04% 的碰撞率，并将人类相似度提高了 50%，标志着使用 LLMs 在城市环境中进行驾驶员代理仿真的先驱努力【36†source】。

引言

• 背景：自动驾驶技术取得了显著进展，但安全性和可靠性测试仍然至关重要。现实世界的测试有限，凸显了对真实仿真平台的需求。
• 挑战：城市驾驶场景复杂，因交通条件多样性和人类参与者的存在，模拟真实人类行为存在挑战【37†source】。

SurrealDriver 框架

• 设计目标：该框架旨在理解城市驾驶的复杂性，确保安全性，并与人类驾驶员和谐相处。
• 关键组件：
  1. 感知：在原子级别理解复杂场景。
  2. 执行：包括短期驾驶记忆，以实现流畅的操作。
  3. 规划：通过长期驾驶指南模仿人类学习过程。
  4. 安全性：在整个驾驶过程中优先考虑安全性，设置严格的标准【40†source】。
• DriverAgent 设计：核心组件使用集成到 CARLA 模拟器中的记忆和安全机制，进行感知、决策和控制【41†source】。

基于人类驾驶员访谈的 CoachAgent

• 方法：通过对 24 名驾驶员（包括专家和新手）的访谈获取数据，用作教练代理的提示模板。
• 目的：通过使用真实驾驶行为数据作为提示，使 SurrealDriver 与人类驾驶员更加一致【42†source】。

评估

• 实验设置：使用 CARLA 模拟器、Python 3.7、Unreal Engine 4 和 OpenAI 的 GPT-4 API。调整了仿真时间，以适应 GPT 模型的响应时间【43†source】。
• 实验细节：在相同场景中使用来自不同框架的代理进行驾驶实验，重点评估安全驾驶能力和人类相似度【44†source】。
• 结果：
  1. 安全标准：显著降低了碰撞率。
  2. 短期记忆：对驾驶连续性和复杂操作至关重要。
  3. 长期指导：改善了驾驶技能和决策制定。
  4. 人类相似度：完整框架的人类相似度比基

这篇论文《SurrealDriver: Generative Driver Agent Simulation Framework Based on Large Language Models for Autonomous Driving in Urban Contexts》由以下团队完成，并涵盖了一系列的应用场景、问题、解决方案、实验验证方式、数据集和实验设计：

论文团队

• 完成团队: 论文作者的具体信息没有在引用中提及，因此无法确定具体的作者和他们所属的机构或团队。

应用场景

• 应用场景: 该框架应用于城市环境中的自动驾驶代理模拟。它针对的是自动驾驶在复杂城市道路条件下的安全性和人类驾驶行为模拟。

解决的问题

• 问题: 当前自动驾驶模拟平台在代理行为的真实性和多样性方面存在限制，这阻碍了模拟结果向现实世界的转移。尤其是在模拟城市环境中的人类驾驶行为时存在的挑战。

提出的解决方案

• 解决方案: 提出了一个基于大型语言模型的生成式驾驶员代理仿真框架（SurrealDriver）。该框架包含了一个通过司机访谈信息指导开发的 ‘教练代理’ 模块，以及其他模块来处理场景理解、安全标准、短期操作记忆和长期驾驶指南【36†source】【40†source】【41†source】【42†source】。

实验验证方式

• 实验环境设置: 使用了 CARLA 模拟器、Python 3.7 和 Unreal Engine 4，结合 OpenAI 的 GPT-4 API 进行实验【43†source】。
• 实验细节: 对不同框架下的代理在相同场景中进行驾驶实验，以评估安全驾驶能力和人类相似度【44†source】。

数据集、实验设计和对比基线

• 数据集: 使用了基于 CARLA 模拟器的城市驾驶环境。
• 实验设计: 实验涉及了不同配置的框架（如有无安全标准、短期记忆、长期指导的版本）在相同条件下的对比，评估了碰撞率和人类相似度【44†source】【45†source】【46†source】【47†source】【48†source】。
• 基线对比: 实验中将具有不同模块（安全标准、短期记忆、长期指导）的框架版本与不具备这些模块的基础版本进行了对比，以此作为基线【45†source】【46†source】【47†source】【48†source】。

综上所述，这篇论文由一个未具体提及的团队完成，主要针对城市环境中自动驾驶代理的模拟，解决了现有模拟平台在代理行为真实性和多样性方面的限制。通过开发基于大型语言模型的仿真框架，论文展示了通过多方面实验验证其效果，包括安全性和人类行为的相似度。