Chain-of-Thought für autonomes Fahren: Eine umfassende Übersicht und zukünftige Perspektiven

Die rasante Entwicklung großer Sprachmodelle im Bereich der natürlichen Sprachverarbeitung hat deren semantisches Verständnis und logische Schlussfähigkeiten erheblich verbessert. Solche Kompetenzen wurden in autonomen Fahrsystemen genutzt und haben zu signifikanten Leistungssteigerungen der Systeme beigetragen. Modelle wie OpenAI o1 und DeepSeek-R1 verwenden Chain-of-Thought (CoT)-Schlussfolgerungen, eine fortgeschrittene kognitive Methode, die menschliche Denkprozesse simuliert und bemerkenswerte Schlussfähigkeiten bei komplexen Aufgaben demonstriert. Durch die Strukturierung komplexer Fahrszenarien innerhalb eines systematischen Argumentationsrahmens hat sich dieser Ansatz als ein bedeutender Forschungsschwerpunkt im autonomen Fahren etabliert, der die Fähigkeit des Systems zur Bewältigung anspruchsvoller Situationen deutlich verbessert. Diese Arbeit untersucht, wie CoT-Methoden die Schlussfähigkeiten autonomer Fahrmodelle verbessern. Basierend auf einer umfassenden Literaturübersicht präsentieren wir eine systematische Analyse der Motivationen, Methodologien, Herausforderungen und zukünftigen Forschungsrichtungen von CoT im autonomen Fahren. Darüber hinaus schlagen wir vor, CoT mit selbstlernenden Ansätzen zu kombinieren, um eine Selbstentwicklung in Fahrsystemen zu ermöglichen. Um die Relevanz und Aktualität dieser Studie zu gewährleisten, haben wir ein dynamisches Repository an Literatur und Open-Source-Projekten zusammengestellt, das sorgfältig aktualisiert wird, um die neuesten Entwicklungen einzubeziehen. Das Repository ist öffentlich verfügbar unter https://github.com/cuiyx1720/Awesome-CoT4AD.