C-TRAIL: 자율 주행을 위한 경로 계획을 위한 상식 기반 세계 프레임워크

C-TRAIL: A Commonsense World Framework for Trajectory Planning in Autonomous Driving

자율 주행을 위한 경로 계획은 점점 더 많은 경우에 상식 추론을 위해 대규모 언어 모델(LLM)을 활용하지만, LLM의 출력은 본질적으로 신뢰성이 낮아 안전이 중요한 응용 분야에서 위험을 초래합니다. 본 논문에서는 LLM에서 얻은 상식을 신뢰 메커니즘과 결합하여 경로 계획을 안내하는 프레임워크인 C-TRAIL을 제안합니다. C-TRAIL은 폐루프의 Recall(회수), Plan(계획), Update(업데이트) 사이클을 통해 작동합니다. Recall 모듈은 LLM에 대해 의미 관계를 쿼리하고, 이중 신뢰 메커니즘을 통해 신뢰성을 정량화합니다. Plan 모듈은 Dirichlet 신뢰 정책을 통해 몬테카를로 트리 검색(MCTS)에 가중치가 적용된 상식을 주입합니다. Update 모듈은 환경 피드백으로부터 신뢰 점수와 정책 매개변수를 적응적으로 개선합니다. Highway-env의 네 가지 시뮬레이션 시나리오와 두 개의 실제 데이터셋(highD, rounD)에 대한 실험 결과, C-TRAIL은 평균적으로 ADE(평균 절대 오차)를 40.2% 감소시키고, FDE(최대 오차)를 51.7% 감소시키며, 성공률(SR)을 16.9%p 향상시켜 최첨단 기준 성능을 꾸준히 능가하는 것으로 나타났습니다. 소스 코드는 https://github.com/ZhihongCui/CTRAIL에서 확인할 수 있습니다.

Trajectory planning for autonomous driving increasingly leverages large language models (LLMs) for commonsense reasoning, yet LLM outputs are inherently unreliable, posing risks in safety-critical applications. We propose C-TRAIL, a framework built on a Commonsense World that couples LLM-derived commonsense with a trust mechanism to guide trajectory planning. C-TRAIL operates through a closed-loop Recall, Plan, and Update cycle: the Recall module queries an LLM for semantic relations and quantifies their reliability via a dual-trust mechanism; the Plan module injects trust-weighted commonsense into Monte Carlo Tree Search (MCTS) through a Dirichlet trust policy; and the Update module adaptively refines trust scores and policy parameters from environmental feedback. Experiments on four simulated scenarios in Highway-env and two real-world levelXData datasets (highD, rounD) show that C-TRAIL consistently outperforms state-of-the-art baselines, reducing ADE by 40.2%, FDE by 51.7%, and improving SR by 16.9 percentage points on average. The source code is available at https://github.com/ZhihongCui/CTRAIL.