该论文旨在解决自动驾驶(autonomous driving)中人机交互(Human-Machine Interaction)领域的一个关键问题：如何将乘客的开放式(open-ended)自然语言指令（如“开得平稳些”）可靠地转化为车辆的控制信号，同时不牺牲决策过程的**可解释性(interpretability)**和**可追溯性(traceability)**。研究背景是现有HMI研究大多忽视了乘客在自动驾驶中对车辆**操纵(maneuvering)**的具体需求。
论文提出了一个指令实现(instruction-realization)框架，其核心是一个**基于大语言模型(Large Language Model, LLM)的多规划器调度(Multi-Planner Scheduling)**系统。具体步骤包括：
- 利用**大语言模型(LLM)** 解析乘客的开放式指令。
- 生成可执行脚本，该脚本能根据实时反馈，调度多个**基于模型预测控制(Model Predictive Control, MPC)** 的运动规划器(motion planner)。
- 将规划出的轨迹(trajectory)转换为最终的控制信号。
- 此外，研究还引入了一个用于闭环(closed-loop)环境下评估开放式指令实现的基准(benchmark)。
论文的核心创新在于其**以调度为中心(scheduling-centric)** 的架构设计，以及由此实现的**透明决策链(transparent decision-making chain)**。具体独特之处包括：
- **解耦(Decoupling)设计**：将**语义推理(semantic reasoning)**（由LLM在较长时间尺度处理）与**车辆控制(vehicle control)**（由MPC规划器在较短时间尺度处理）解耦，突破了传统端到端(end-to-end)黑箱方法的局限。
- **多规划器调度**：利用LLM生成的脚本动态调度多个专用MPC规划器，而非依赖单一模型，从而灵活、可靠地满足复杂指令。
- **系统级可追溯性**：该架构明确建立了从高级指令到低级动作的、可追溯的决策链条，显著提升了系统的透明度和可信度。
论文对该领域的整体贡献主要体现在方法论和评估体系两方面：
- **提出了一种新颖、可解释的开放式指令实现框架**：该框架有效结合了LLM的语义理解能力和传统控制方法的可靠性，在提升任务完成率的同时，降低了LLM的查询(query)成本，并对LLM推理延迟(inference latency)表现出良好的容忍度。
- **建立了首个闭环评估基准**：针对该研究问题缺乏高保真度(high-fidelity)评估工具的现状，引入了专门的基准，为未来研究提供了重要的评估基础。
- **验证了性能优势**：通过综合实验证明，该框架在任务完成率、安全性(safety)、合规性(compliance)方面均优于基线方法(baseline)，且能达到与专用自动驾驶方法相当的水平。