V7 · 大语言模型路径规划能力对比

本展示使用同一大语言模型（GLM-5.2），通过5种不同的 prompt 策略/规划方法，对同一垂直倒车入库场景进行路径规划。不包含任何后端优化算法（如IPOPT、A*），展示的是大模型"裸"规划能力。

① 直接航点生成 (Naive Waypoints)

LLM一次性输出所有航点坐标。最朴素的方案——给场景坐标，直接吐路径。代表论文：GPT-Driver, Language Models as Zero-Shot Trajectory Generators

② 链式推理轨迹 (CoT Trajectory)

要求LLM先分析（起点→目标关系、需要的maneuver），再分步输出航点。代表论文：Agent-Driver, ReAct

③ 运动学约束感知 (Kinematic-Aware)

Prompt中嵌入自行车模型方程、最小转弯半径约束，要求LLM生成运动学可行的路径。代表论文：ParkingTransformer, Lang2Manip

④ 代码生成式 (Code-as-Policy)

给LLM提供API函数签名，让它以编程思维规划路径（Reeds-Shepp曲线思维）。代表论文：Code as Policies, RL-GPT

⑤ 自迭代修正 (Iterative Refine)

第一轮生成→自动碰撞检测/曲率检查→反馈→第二轮修正。展示LLM的自纠错能力。代表论文：DrPlanner, PIVOT