基于大型语言模型的OpenDRIVE道路缺失部分补全技术及领域专用工具包

《IEEE Access》：Large Language Model-Empowered Missing Road Completion in OpenDRIVE with Domain-Specific Toolkits

　　

摘要：

在自动驾驶模拟与验证中广泛使用的OpenDRIVE地图，由于测绘覆盖不全或存在施工区域，常常会出现缺失的交叉口，这严重影响了后续的规划与验证工作。我们提出了一种基于大型语言模型（LLM）的新框架，并结合OpenDRIVE领域的专用几何修改工具，用于补充这些缺失的交叉口。我们的零样本方法利用LLM同时充当规划器和编码器，依次调用这些工具来重构道路拓扑结构。此外，我们还引入了一种基于数据蒸馏的微调方法以及一种新的点对齐（厘米级）评估方法，以便使用轻量级LLM提升性能。为验证我们的方法，我们还整理了一个包含137对来自OpenStreetMap的OpenDRIVE地图的平衡数据集，涵盖了城市交叉口、高速公路匝道和环岛等多种场景。实验结果表明，经过微调的Qwen3-1.7B模型在补充缺失交叉口方面达到了99.83%的完成精度，能够生成高精度的OpenDRIVE数据。这充分体现了我们框架在完整构建OpenDRIVE地图方面的卓越准确性与高效性。