교통 법규 및 규정에 부합하여 주행하는 것은 인간 운전자의 기본 요구사항이지만, 자율주행차 (AVs) 는 다양한 실제 세계 시나리오에서 이러한 요구사항을 위반할 수 있습니다. AV 시스템에 법 준수성을 인코딩하기 위해 기존 접근 방식은 형식 논리 언어를 사용하여 행동 제약을 명시적으로 지정하지만, 이 과정은 노동 집약적이며 확장하기 어렵고 유지보수에 비용이 많이 듭니다. 최근 인공지능의 발전으로 인해 교통 법규 및 규정에서 법적 요구사항을 도출하기 위해 대형 언어 모델 (LLMs) 을 활용하는 것이 유망합니다. 그러나 구조화된 교통 시나리오에 대한 명시적인 근거 설정과 추론 없이 LLMs 는 종종 관련 없는 조항을 검색하거나 적용 가능한 조항을 놓쳐 부정확한 요구사항을 생성합니다. 이를 해결하기 위해 우리는 계층적 의미를 인코딩하는 노드별 앵커를 통해 교통 시나리오 분류법에 LLM 추론을 근거로 하는 새로운 파이프라인을 제안합니다. 중국 교통 법규 및 OnSite 데이터셋 (5,897 개 시나리오) 에서 우리의 방법은 법-시나리오 매칭을 29.1% 개선하고 도출된 의무적 요구사항과 금지적 요구사항의 정확성을 각각 36.9% 와 38.2% 높였습니다. 우리는 또한 AV 내비게이션을 위한 법 준수 계층을 구축하고 현장 테스트를 위한 실시간 온보드 준수 모니터를 개발함으로써 향후 AV 개발, 배포 및 규제 감독에 견고한 기반을 제공하여 실제 세계 적용 가능성을 입증했습니다.