CoLMIN: LLM-based Multi-Decision Path Negotiation for Cooperative Autonomous Driving

Alleen een auto besturen is een eenzame daad van oordeelsvorming, maar rijden in een menigte is een constante, stille conversatie. Decennialang hebben ingenieurs geprobeerd machines te leren die conversatie te voeren, in de hoop dat als auto's hun intenties konden delen en hun bewegingen konden coördineren, het verkeer veiliger en soepeler zou stromen. Vroege pogingen vertrouwden op rigide regels of complexe wiskundige formules, maar deze hadden vaak moeite met de chaotische onvoorspelbaarheid van het echte leven. Recentelijk zijn onderzoekers begonnen grote taalmodellen te gebruiken—krachtige computersystemen getraind op enorme hoeveelheden menselijke tekst—om auto's met elkaar te laten "praten". Deze systemen kunnen complexe situaties redeneren zoals een menselijke bestuurder dat doet, door opties af te wegen en te onderhandelen over wie er eerst mag gaan. Echter, een kritiek gebrek is naar voren gekomen in deze nieuwe benaderingen: wanneer auto's onderhandelen, raken ze vaak gestikt. Als twee voertuigen een enkel, vaststaand plan voorstellen en het er niet over eens zijn, hebben ze de neiging om voet bij stuk te houden, weigerend om toe te geven totdat de onderhandeling mislukt, wat potentieel kan leiden tot een botsing of een verkeersopstopping.

Om dit op te lossen, heeft een team van onderzoekers een nieuw framework ontwikkeld genaamd CoLMIN, dat de manier waarop autonome voertuigen onderhandelen verandert. In plaats van elk voertuig te dwingen slechts één pad vooruit te kiezen en daarvoor te pleiten, moedigt CoLMIN elk voertuig aan om tegelijkertijd verschillende, veilige opties te genereren. Stel je een groep mensen voor die probeert te beslissen waar ze gaan eten; als iedereen slechts één restaurant voorschrijft, komt de groep misschien nooit tot een besluit. Maar als iedereen een paar verschillende plekken voorstelt, heeft de groep een veel grotere kans om een oplossing te vinden die voor iedereen werkt. Op dezelfde manier stelt CoLMIN auto's in staat om een menu van mogelijke acties aan hun buren te presenteren. Het systeem evalueert vervolgens deze opties, waarbij het zoekt naar de combinatie die iedereen veilig houdt en efficiënt laat bewegen. Als de initiële suggesties niet leiden tot een overeenkomst, herhaalt het systeem niet simpelweg dezelfde discussie. Het gebruikt een "shallow reflection" (ondiepe reflectie) om snel en specifiek advies te geven over hoe de plannen verbeterd kunnen worden, en als de auto's nog steeds koppig lijken, grijpt een "deep reflection" (diepe reflectie) mechanisme in om hen eraan te herinneren geheel nieuwe strategieën te overwegen, waardoor wordt voorkomen dat ze gevangen raken in onproductieve loops.

De onderzoekers testten dit systeem in een hoogwaardige computersimulatie van een drukke stad, waarbij ze hun nieuwe methode tegenover bestaande technologieën plaatsten in tien verschillende uitdagende scenario's, waaronder complexe kruispunten en moeilijke rijstrookwisselingen. De resultaten toonden aan dat CoLMIN aanzienlijk effectiever was dan eerdere methoden. In de moeilijkste tests voor rijstrookwisselingen verbeterde het nieuwe systeem de veiligheid met 8 procent en verhoogde het het algemene succespercentage van de voltooiing van de rit met 13 procent vergeleken met de beste alternatieven. De simulaties toonden aan dat de oude manier van onderhandelen vaak leidde tot een doodlopende weg, waarbij auto's bevroren of crashten omdat ze te zelfverzekerd waren in hun enkele, rigide plan. Daarentegen stelde de multi-optie benadering de voertuigen in staat om flexibel te zijn en een middenweg te vinden die het verkeer liet doorstromen zonder botsingen. Het systeem bleek robuust, zelfs wanneer andere onvoorspelbare elementen, zoals voetgangers en fietsers, aan de mix werden toegevoegd, waarbij het een hoge prestatie behield waar andere methoden tekortschoten.

Wat deze benadering bijzonder veelbelovend maakt, is niet alleen dat het beter werkt, maar ook hoe het werkt. Het systeem vertrouwt niet op één enkele, perfecte beslissing in een fractie van een seconde. In plaats daarvan bootst het het menselijke vermogen na om te heroverwegen en zich aan te passen. Wanneer de simulatie aantoonde dat een voorgesteld plan onveilig of inefficiënt was, bood het systeem onmiddellijke feedback om de traject aan te passen. Als de auto's bleven discussiëren over hetzelfde punt, analyseerde het diepere reflectiemodule de geschiedenis van de conversatie, identificeerde dat de voertuigen te koppig waren, en begeleidde hen naar een andere reeks keuzes. Dit proces van het genereren van meerdere paden, het evalueren ervan en het reflecteren op eerdere fouten, stelde de auto's in staat om veel sneller een stabiele overeenkomst te bereiken dan voorheen. Sterker nog, de nieuwe methode verminderde het aantal onderhandelingsrondes dat nodig was om tot een overeenkomst te komen en verlaagde aanzienlijk de mate van overmoedig, onbuigzaam gedrag.

Hoewel deze resultaten momenteel beperkt zijn tot computersimulaties, bieden ze een duidelijk pad voorwaarts voor de toekomst van autonoom rijden. De onderzoekers erkennen dat de echte wereld op de weg te maken heeft met ruis, communicatievertragingen en menselijke bestuurders die niet altijd de regels volgen, factoren die moeilijker te modelleren zijn dan een gecontroleerde digitale omgeving. Echter, het succes van CoLMIN in deze simulaties suggereert dat de sleutel tot veilig, coöperatief rijden ligt in flexibiliteit. Door af te stappen van het idee dat een auto één perfect plan moet hebben en het omarmen van de realiteit dat er vaak vele goede manieren zijn om een verkeersprobleem op te lossen, brengt dit nieuwe framework ons dichter bij een toekomst waarin onze voertuigen samen door de wereld navigeren, niet alleen als machines die code volgen, maar als deelnemers aan een gedeelde, intelligente conversatie.