摘要

本文介绍了一种名为GenFollower的新型车辆跟随行为预测模型，该模型利用大型语言模型（LLMs）来提高交通管理和自动驾驶系统中的车辆跟随行为的预测准确性和可解释性。传统的车辆跟随模型通常受限于数据质量敏感性和缺乏解释性。GenFollower通过将车辆跟随行为重新构建为语言建模问题，并利用LLMs的零样本提示方法，实现了对车辆跟随行为的改进预测和解释。实验结果表明，GenFollower在Waymo Open数据集上的表现优于传统基准模型，并能提供可解释的预测结果，这对于增强交通管理和自动驾驶系统的理解和信任具有重要意义。

原理

GenFollower的核心工作原理是将车辆跟随行为视为一个语言建模问题。通过将车辆状态和其他相关信息整合到结构化的自然语言提示中，并输入到LLMs中，利用LLMs强大的推理和自我解释能力进行车辆跟随行为的预测。这种方法不仅提高了预测的准确性，还通过在提示中融入解释性要求，使得模型能够生成伴随预测的解释，从而增强了模型的透明度和可解释性。

流程

GenFollower的工作流程包括数据预处理、提示生成、LLM推理和后处理四个主要阶段。首先，从传感器收集实时数据并进行标准化处理。然后，将标准化后的数据转换为自然语言提示，输入到LLM中进行处理。LLM不仅生成预测结果，还提供预测的解释。最后，对预测结果进行验证和调整，确保其符合物理约束和安全协议，并输出最终的预测速度和解释文本。例如，在Waymo Open数据集上的实验中，GenFollower能够准确预测跟随车辆的速度，并提供详细的推理过程。

应用

GenFollower的应用前景广泛，尤其在交通管理和自动驾驶系统中。通过提供准确且可解释的车辆跟随行为预测，GenFollower有助于改善交通流的管理，减少事故风险，并提高自动驾驶系统的安全性和可靠性。此外，随着自动驾驶技术的进一步发展，GenFollower的零样本学习能力和解释性将为自动驾驶车辆的决策提供更多支持，推动自动驾驶技术的广泛应用。