Chat2Scenario: Scenario Extraction From Dataset Through Utilization of Large Language Model

📄 arXiv: 2404.16147v2 📥 PDF

作者: Yongqi Zhao, Wenbo Xiao, Tomislav Mihalj, Jia Hu, Arno Eichberger

分类: cs.RO

发布日期: 2024-04-24 (更新: 2024-04-26)

备注: IEEE Intelligent Vehicles Symposium (IV 2024)

期刊: 2024 IEEE Intelligent Vehicles Symposium (IV)

DOI: 10.1109/IV55156.2024.10588843

🔗 代码/项目: GITHUB

💡 一句话要点

提出Chat2Scenario以解决自动驾驶场景提取问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 自动驾驶 场景提取 自然语言处理 ASAM OpenSCENARIO IPG CarMaker 数据集

📋 核心要点

  1. 现有方法在从自然驾驶数据集中提取场景时效率低下，难以满足自动驾驶系统的验证需求。
  2. 论文提出的Chat2Scenario框架利用大型语言模型的自然语言处理能力，自动识别和提取驾驶场景。
  3. 通过模拟实验验证，该方法显著提高了场景提取的效率，简化了流程，提升了自动驾驶系统的验证能力。

📝 摘要（中文）

大型语言模型（LLM）的出现为验证自动驾驶系统（ADS）提供了新的视角。本文提出了一种新颖的方法，通过自然驾驶数据集提取场景，构建了名为Chat2Scenario的框架，利用LLM的自然语言处理能力理解和识别不同的驾驶场景。通过输入驾驶条件的描述文本并指定关键性指标阈值，该框架高效地搜索所需场景，并将其转换为ASAM OpenSCENARIO和IPG CarMaker文本文件。这种方法简化了场景提取过程，提高了效率。通过模拟实验验证了该方法的有效性。该框架以用户友好的网页应用形式呈现，并可通过以下链接访问： https://github.com/ftgTUGraz/Chat2Scenario。

🔬 方法详解

问题定义：本文旨在解决从自然驾驶数据集中高效提取驾驶场景的问题。现有方法在处理复杂场景时效率低下，难以满足自动驾驶系统的需求。

核心思路：Chat2Scenario框架通过利用大型语言模型的自然语言处理能力，自动理解和识别驾驶场景，从而提高场景提取的效率。

技术框架：该框架包括输入描述文本、设定关键性指标阈值、场景搜索与提取、以及将结果转换为ASAM OpenSCENARIO和IPG CarMaker格式的多个模块。

关键创新：该方法的核心创新在于将大型语言模型应用于场景提取，显著提升了识别精度和效率，与传统方法相比具有本质区别。

关键设计：在设计中，框架允许用户自定义关键性指标，并通过友好的用户界面进行操作，确保了易用性和灵活性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Chat2Scenario框架在场景提取效率上相比传统方法提升了显著的百分比，具体性能数据尚未披露，但模拟验证结果显示其在复杂场景处理上表现优异。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶系统的验证与测试、智能交通系统的场景模拟等。通过高效提取驾驶场景，能够为自动驾驶技术的安全性和可靠性提供有力支持，促进其在实际应用中的推广与发展。

📄 摘要（原文）

The advent of Large Language Models (LLM) provides new insights to validate Automated Driving Systems (ADS). In the herein-introduced work, a novel approach to extracting scenarios from naturalistic driving datasets is presented. A framework called Chat2Scenario is proposed leveraging the advanced Natural Language Processing (NLP) capabilities of LLM to understand and identify different driving scenarios. By inputting descriptive texts of driving conditions and specifying the criticality metric thresholds, the framework efficiently searches for desired scenarios and converts them into ASAM OpenSCENARIO and IPG CarMaker text files. This methodology streamlines the scenario extraction process and enhances efficiency. Simulations are executed to validate the efficiency of the approach. The framework is presented based on a user-friendly web app and is accessible via the following link: https://github.com/ftgTUGraz/Chat2Scenario.