論文の概要: LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning

• arxiv url: http://arxiv.org/abs/2401.00125v1
• Date: Sat, 30 Dec 2023 02:53:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 18:55:24.204668
• Title: LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning
• Title（参考訳）: LLM-Assist: 言語に基づく推論によるクローズドループ計画の強化
• Authors: S P Sharan, Francesco Pittaluga, Vijay Kumar B G, Manmohan Chandraker
• Abstract要約: 従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
• 参考スコア（独自算出の注目度）: 65.86754998249224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although planning is a crucial component of the autonomous driving stack, researchers have yet to develop robust planning algorithms that are capable of safely handling the diverse range of possible driving scenarios. Learning-based planners suffer from overfitting and poor long-tail performance. On the other hand, rule-based planners generalize well, but might fail to handle scenarios that require complex driving maneuvers. To address these limitations, we investigate the possibility of leveraging the common-sense reasoning capabilities of Large Language Models (LLMs) such as GPT4 and Llama2 to generate plans for self-driving vehicles. In particular, we develop a novel hybrid planner that leverages a conventional rule-based planner in conjunction with an LLM-based planner. Guided by commonsense reasoning abilities of LLMs, our approach navigates complex scenarios which existing planners struggle with, produces well-reasoned outputs while also remaining grounded through working alongside the rule-based approach. Through extensive evaluation on the nuPlan benchmark, we achieve state-of-the-art performance, outperforming all existing pure learning- and rule-based methods across most metrics. Our code will be available at https://llmassist.github.io.
• Abstract（参考訳）: 計画は自動運転スタックの重要な要素だが、研究者はまだ、さまざまな考えられる運転シナリオを安全に処理できる堅牢な計画アルゴリズムを開発していない。 学習ベースのプランナーは、過剰フィットとロングテールパフォーマンスに苦しむ。 一方、ルールベースのプランナーはうまく一般化するが、複雑な運転操作を必要とするシナリオには対処できない可能性がある。 これらの制約に対処するため、GPT4やLlama2のような大規模言語モデル(LLM)の常識的推論能力を活用して自動運転車の計画を作成する可能性を検討する。 特に,従来のルールベースプランナーとllmベースのプランナーを併用したハイブリッドプランナーを開発した。 LLMのコモンセンス推論能力によってガイドされた我々の手法は、既存のプランナーが苦労する複雑なシナリオをナビゲートし、よく推論されたアウトプットを生成しながら、ルールベースのアプローチと協調して作業することで基礎を保ちます。 nuplanベンチマークの広範な評価を通じて、最先端のパフォーマンスを実現し、既存の純粋な学習およびルールベースのメソッドをほとんどのメトリクスで上回っています。 私たちのコードはhttps://llmassist.github.ioで利用できます。

関連論文リスト

• Asynchronous Large Language Model Enhanced Planner for Autonomous Driving [26.72215912937613]
  AsyncDriverは、リアルタイムプランナーが正確に制御可能な軌道予測を行うための新しいフレームワークである。 推論周波数の非同期性に乗じて,LLMが導入した計算コストの削減に成功している。 実験により,本手法はnuPlanの難解なシナリオに対して,より優れたクローズドループ評価性能が得られることが示された。
  論文  参考訳（メタデータ） (2024-06-20T17:59:03Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios? [11.917542484123134]
  現実の自動運転システムは、稀で多様な交通シナリオに直面して安全な判断をしなければならない。 現在の最先端のプランナーは、主にnuScenes(オープンループ)やnuPlan(クローズループ)といった現実世界のデータセットで評価されます。
  論文  参考訳（メタデータ） (2024-04-11T08:57:48Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [87.1164964709168]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)
• GPT-Driver: Learning to Drive with GPT [47.14350537515685]
  我々は,OpenAI GPT-3.5モデルを自律走行車のための信頼性の高い運動プランナに変換する,シンプルで効果的なアプローチを提案する。 我々は、Large Language Models(LLMs)固有の強力な推論能力と一般化の可能性に乗じる。 我々は,大規模な nuScenes データセットに対する我々のアプローチを評価し,GPT ベースの運動プランナの有効性,一般化能力,解釈可能性について検証した。
  論文  参考訳（メタデータ） (2023-10-02T17:59:57Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change [34.93870615625937]
  PlanBenchは、自動計画コミュニティで使用されるドメインの種類に基づいたベンチマークスイートである。 PlanBenchはタスクドメインと特定の計画機能の両方に十分な多様性を提供します。
  論文  参考訳（メタデータ） (2022-06-21T16:15:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。