外观
新闻Robohub14 天前
UNCAP框架：自然语言协作自动驾驶零样本神经符号规划
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Neurosymbolic planning using natural language communication for cooperative autonomous vehicles（Robohub）
核心内容
面向协作自动驾驶中的视野遮挡难题，研究团队提出UNCAP神经符号规划框架，旨在通过自然语言通信实现车辆间风险信息交互。不同于传统高带宽原始传感器数据共享，该方案采用零样本“自带模型”策略，无需额外训练即可适配异构硬件栈。研究在CARLA仿真器及OPV2V基准数据集上完成了评估，涵盖高速合流与城市路口等典型遮挡场景，验证了其在低带宽约束下的环境理解能力。
技术架构包含四阶段闭环：首先通过字节级位置心跳包发现邻车；其次基于运动学相关性筛选关键通信节点以降低计算负载；核心环节利用自然语言描述观测并引入保形预测（Conformal Prediction）校准置信度，通过互信息度量动态加权消息可靠性；最终将融合后的场景语义输入通用视觉语言模型生成驾驶决策。该机制有效解决了多源异构信息的信任分配问题，实现了硬件无关的轻量化协作感知。
关键看点
- 零样本通信：采用Bring-your-own-model策略，无需重训模型即可利用现有VLM处理自然语言交互，适配异构传感器配置
- 可信度校准：引入保形预测方法对语言描述的置信度进行校准，确保接收端获得反映真实可靠性的不确定性估计
- 信息增益度量：利用互信息指标量化每条消息对场景不确定性的消除程度，自动过滤无效或误导性观测信息
- 低带宽心跳：仅传输位置与航向等字节级心跳数据筛选相关邻居，避免全量广播导致的通信拥塞与算力浪费
工程与产业观察
该工作为具身智能体群智协作提供了新范式：在异构机器人集群中，自然语言可作为跨模态、低带宽的语义接口替代原始数据流。结合保形预测与互信息的信任评估机制，解决了开放环境下多智能体信息融合的可靠性难题，对降低车路协同及机器人编队通信成本具有工程参考价值。
来源
本页事实对应的公开页面，以原文为准。