C-TRAIL: Commonsense‑Framework für Trajektorienplanung im autonomen Fahren

Autonome Fahrzeuge setzen zunehmend auf große Sprachmodelle (LLMs), um mit Commonsense‑Logik zu planen. Doch die Unsicherheit der LLM-Ausgaben birgt erhebliche Risiken in sicherheitskritischen Situationen. C‑TRAIL löst dieses Problem, indem es Commonsense‑Wissen aus LLMs mit einem robusten Vertrauensmechanismus kombiniert.

Der Ansatz arbeitet in einem geschlossenen Recall‑Plan‑Update‑Zyklus. Im Recall‑Modul werden semantische Beziehungen von einem LLM abgefragt und deren Zuverlässigkeit über einen Dual‑Trust‑Mechanismus bewertet. Das Plan‑Modul nutzt diese vertrauensgewichteten Commonsense‑Hinweise, um den Monte‑Carlo‑Tree‑Search (MCTS) mithilfe einer Dirichlet‑Trust‑Policy zu steuern. Im Update‑Modul werden die Vertrauenswerte und die Policy‑Parameter anhand von Umgebungsfeedback dynamisch angepasst.

In vier simulierten Highway‑Env‑Szenarien sowie in den realen Datensätzen highD und rounD zeigte C‑TRAIL eine deutliche Leistungssteigerung gegenüber aktuellen Baselines. Die durchschnittliche Reduktion der durchschnittlichen Abweichung (ADE) betrug 40,2 %, die finale Abweichung (FDE) um 51,7 % und die Erfolgsrate (SR) stieg um 16,9 Prozentpunkte.

Der Quellcode ist frei verfügbar unter https://github.com/ZhihongCui/CTRAIL.