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

独自驾驶汽车是一种孤独的判断行为，但在车流中驾驶则是一场持续且无声的对话。几十年来，工程师们一直试图教会机器进行这种对话，希望如果汽车能够分享它们的意图并协调彼此的行动，交通将会更加安全顺畅。早期的尝试依赖于僵化的规则或复杂的数学公式，但面对现实生活中混乱且不可预测的情况时，这些方法往往显得力不从心。最近，研究人员开始使用大语言模型——即在海量人类文本上训练过的强大计算机系统——来帮助汽车彼此“交谈”。这些系统可以像人类驾驶员一样对复杂情况进行推理，权衡各种选择并协商谁该优先通行。然而，在这些新方法中出现了一个关键缺陷：当汽车进行协商时，它们经常陷入僵局。如果两辆车提出了一个单一且固定的计划并产生分歧，它们往往会固执己见，拒绝退让，直到协商失败，这可能会导致碰撞或交通拥堵。

为了解决这个问题，一个研究小组开发了一种名为 CoLMIN 的新框架，它改变了自动驾驶汽车进行协商的方式。CoLMIN 不再强迫每辆车只选择一条前进路径并为其辩护，而是鼓励每辆车同时生成多个不同的、安全的选项。想象一下一群人正在决定去哪里吃饭；如果每个人都坚持只能去一家餐厅，那么这群人可能永远无法达成一致。但如果每个人都建议几个不同的地方，这群人就有更大的机会找到一个适合所有人的解决方案。同样地，CoLMIN 允许汽车向其邻近车辆展示一份可能的行动菜单。随后，系统会对这些选项进行评估，寻找能够确保每个人既安全又高效移动的组合方案。如果最初的建议未能达成一致，系统不会只是重复同样的争论。它会利用“浅层反思”（shallow reflection）提供快速且具体的建议，以改进方案；如果车辆仍然表现得十分固执，则会引入“深层反思”（deep reflection）机制，提醒它们考虑全新的策略，从而防止陷入无效的循环之中。

研究人员在一个繁忙城市的各种高保真计算机模拟中测试了这一系统，将这种新方法与现有技术在十种不同的挑战性场景（包括复杂的交叉路口和困难的车道变换）中进行了对比。结果显示，CoLMIN 比以往的方法明显更有效。在最困难的车道变换测试中，与表现最好的替代方案相比，新系统将安全性提高了 8%，并将完成驾驶任务的整体成功率提高了 13%。模拟结果表明，旧的协商方式经常导致死锁，即汽车会因为过于自信于其单一且僵化的计划而导致停滞或发生碰撞。相比之下，这种多选项方法使车辆能够保持灵活性，找到一个既能保持交通流动又不会发生碰撞的折中方案。即使在加入行人、骑行者等其他不可预测因素后，该系统依然表现稳健，在其他方法失效的情况下仍能保持高性能。

这种方法之所以特别具有前景，不仅在于它效果更好，更在于它的运作机制。该系统并不依赖于在瞬间做出的单一、完美的决策，而是模仿了人类重新审视和适应的能力。当模拟显示提议的计划不安全或效率低下时，系统会提供即时反馈以调整轨迹。如果车辆仍在就同一个点进行争论，深层反思模块就会分析对话的历史记录，识别出车辆过于固执，并引导它们转向另一组选择。这种生成多条路径、评估路径并对过去错误进行反思的过程，使得汽车能够比以前更快地达成稳定的协议。事实上，这种新方法减少了达成协议所需的协商轮数，并显著降低了过度自信、不肯让步的行为发生率。

虽然这些结果目前仅限于计算机模拟，但它们为自动驾驶的未来指明了清晰的路径。研究人员承认，现实世界的道路涉及噪音、通信延迟以及并不总是遵守规则的人类驾驶员，这些因素比受控的数字环境更难建模。然而，CoLMIN 在这些模拟中的成功表明，安全协作驾驶的关键在于灵活性。通过摒弃“汽车必须有一个完美计划”的想法，转而拥抱“解决交通问题通常有许多种好方法”的现实，这一新框架让我们离那个未来又近了一步——届时我们的车辆将不再仅仅是遵循代码的机器，而是作为一场共享的、智能对话的参与者，共同穿梭于这个世界。