ASSCG：针对自动驾驶快慢 LLM 规划的 chatter 自适应门控机制

大型语言模型（LLM）可提升自动驾驶规划能力，但在线查询成本高，且现有快慢规划器依赖手工设计的触发规则，常导致调用过度或时机错误。本文将慢系统调用建模为资源感知的序列决策问题，提出自适应慢系统控制门（ASSCG），在帧级别做出查询/缓存/丢弃决策，以刷新、复用或抑制慢引导。ASSCG 采用 RWKV 骨干网络实现高效长时域门控，并通过监督微调结合 GRPO 风格的计算感知强化学习进行训练。实验表明，该方法在 nuPlan 和 NAVSIM 基准上显著提升了规划得分并降低了延迟。