一、文章主要内容总结该研究针对自动驾驶汽车（AV）在复杂交通场景中易陷入停滞（ immobilization）、现有恢复方案（远程干预成本高、人工接管适用性有限）存在缺陷的问题，提出了一种基于大语言模型（LLM）的恢复框架StuckSolver。StuckSolver设计为插件式附加模块，无需修改自动驾驶汽车现有感知、规划和控制架构，通过对接传感器数据流检测停滞状态、解读环境上下文，生成高层级恢复指令供原生规划器执行。其核心工作流程包括三个阶段：观测阶段：收集摄像头、激光雷达等传感器的原始数据，提取交通控制因素（信号灯、交通标志等）、交通参与者（车辆、行人、障碍物等）的语义信息及距离、速度等量化数据；分析阶段：判断车辆是否陷入停滞及停滞原因，支持有无乘客指导两种场景（有指导时解读乘客意图，无指导时通过速度阈值、停滞时长等指标判定）；决策阶段：生成安全合规的行为计划，确定是否需要重新规划路线及路线起点，无停滞时不干预自动驾驶汽车原有操作。实验在CARLA模拟器的Bench2Drive基准测试（含220条含极端场景的路线）中进行，结果显示：仅靠自推理，StuckSolver与最先进的端到端方法在驾驶分数（DS）和成功率（SR）上相当；结合乘客指导后，性能进一步提升（DS达70.89、SR达50.01），且保持轻量化和可解释性。二、文章创新点新型恢复框架设计：首次提出LLM驱动的自
一、文章主要内容总结该研究针对自动驾驶汽车（AV）在复杂交通场景中易陷入停滞（ immobilization）、现有恢复方案（远程干预成本高、人工接管适用性有限）存在缺陷的问题，提出了一种基于大语言模型（LLM）的恢复框架StuckSolver。StuckSolver设计为插件式附加模块，无需修改自动驾驶汽车现有感知、规划和控制架构，通过对接传感器数据流检测停滞状态、解读环境上下文，生成高层级恢复指令供原生规划器执行。其核心工作流程包括三个阶段：观测阶段：收集摄像头、激光雷达等传感器的原始数据，提取交通控制因素（信号灯、交通标志等）、交通参与者（车辆、行人、障碍物等）的语义信息及距离、速度等量化数据；分析阶段：判断车辆是否陷入停滞及停滞原因，支持有无乘客指导两种场景（有指导时解读乘客意图，无指导时通过速度阈值、停滞时长等指标判定）；决策阶段：生成安全合规的行为计划，确定是否需要重新规划路线及路线起点，无停滞时不干预自动驾驶汽车原有操作。实验在CARLA模拟器的Bench2Drive基准测试（含220条含极端场景的路线）中进行，结果显示：仅靠自推理，StuckSolver与最先进的端到端方法在驾驶分数（DS）和成功率（SR）上相当；结合乘客指导后，性能进一步提升（DS达70.89、SR达50.01），且保持轻量化和可解释性。二、文章创新点新型恢复框架设计：首次提出LLM驱动的自
