Resumen:A pesar de los avances significativos en las últimas décadas, los vehículos autónomos (AV) continúan enfrentando desafíos al navegar en ciertos escenarios de tráfico donde los conductores humanos sobresalen. En tales situaciones, los vehículos autónomos suelen quedar inmovilizados, interrumpiendo el flujo general del tráfico. Las soluciones de recuperación actuales, como la intervención remota (que es costosa e ineficiente) y la toma de control manual (que excluye a los no conductores y limita la accesibilidad AV), son inadecuadas. Este artículo presenta StuckSolver, un novedoso marco de recuperación impulsado por un modelo de lenguaje grande (LLM) que permite a los vehículos autónomos resolver escenarios de inmovilización mediante el razonamiento propio y/o la toma de decisiones guiada por el pasajero. StuckSolver está diseñado como un módulo complementario que opera sobre la pila de control de planificación de percepción existente del AV, sin requerir modificaciones en su arquitectura interna. En cambio, interactúa con flujos de datos de sensores estándar para detectar estados de inmovilización, interpretar el contexto ambiental y generar comandos de recuperación de alto nivel que pueden ser ejecutados por el planificador nativo del AV. Evaluamos StuckSolver en el punto de referencia Bench2Drive y en escenarios de incertidumbre diseñados a medida. Los resultados muestran que StuckSolver logra un rendimiento casi vanguardista solo mediante el razonamiento autónomo y muestra mejoras adicionales cuando se incorpora la guía para los pasajeros.
Publicado originalmente en export.arxiv.org el 30 de octubre de 2025.
Ver fuente original
