Nature子刊|碰撞率下降21%:自动驾驶终于学会像人一样思考

方法详解

为了透彻理解 CogniDrive 的精妙设计，我们可以引入一个生动的比喻：一支分工明确的现代化作战部队 。

1. 前线快反部队：InstinctNav（直觉导航）

在日常驾驶场景中，InstinctNav 扮演着“快反部队”的角色，以极低的认知成本输出极速决策 。系统为大模型植入了“思维模型（Thought Model）”，强制其按照“态势感知  行为决策  轨迹规划”的链条（CoT）进行直觉推理 。

其核心推演公式为：

行动计划（目标 、动作、轨迹）由大模型结合指令、态势、历史轨迹以及战术手册 迅速生成 。

2. 后方参谋部：ReflectPlan（反思规划）

当系统预测到碰撞风险或遭遇复杂场景时，会瞬间激活“后方参谋部” 。这套慢速分析系统不再追求盲目响应，而是引入了强大的审视闭环 。参谋部内有两大核心角色：

战术指导员（LLM Critic）：审视快反部队的初步方案，用自然语言输出对安全、舒适度与能效等维度的反思与纠偏 。

情报分析师（VLM Evaluator）：直接“看”懂原始多视角画面（），通过深度语义理解对环境危险源（如侧翻卡车）发出文字警报，弥补传统感知模块的遗漏 。

参谋部会将指导员的“语言奖励（Verbal Reward）”与分析师的“视觉奖励（Vision Reward）”进行融合：

最终，参谋部带着高浓度的多模态反思信息，强制大模型进行复盘与重新规划：

通过“快反部队+后方参谋”的协同作战，极端长尾场景下的驾驶危机迎刃而解 

关键图表解读

除上述开环测试外，研究团队更在 CARLA 仿真器中进行了高难度的闭环动态交互测试。结果显示，在考虑了误差累积和动态博弈的真实物理世界中，CogniDrive 的路线完成成功率高达 27.37%，取得了超过 10.54% 的相对提升，且保持了同类方法中最低的颠簸度（Jerk 8.20%）与最低的能量消耗。