論文の概要: Driving with Regulation: Interpretable Decision-Making for Autonomous Vehicles with Retrieval-Augmented Reasoning via LLM

• arxiv url: http://arxiv.org/abs/2410.04759v1
• Date: Mon, 7 Oct 2024 05:27:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 02:07:46.531408
• Title: Driving with Regulation: Interpretable Decision-Making for Autonomous Vehicles with Retrieval-Augmented Reasoning via LLM
• Title（参考訳）: 規制付き運転:LLMによる検索強化推論による自律走行車両の解釈可能な意思決定
• Authors: Tianhui Cai, Yifan Liu, Zewei Zhou, Haoxuan Ma, Seth Z. Zhao, Zhiwen Wu, Jiaqi Ma,
• Abstract要約: この研究は、自動運転車の解釈可能な意思決定の枠組みを示す。 我々は、検索型拡張生成(RAG)に基づく交通規制検索(TRR)エージェントを開発する。 検索したルールの意味的な複雑さを考えると、我々はLarge Language Model (LLM)を利用した推論モジュールも設計する。
• 参考スコア（独自算出の注目度）: 11.725133614445093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents an interpretable decision-making framework for autonomous vehicles that integrates traffic regulations, norms, and safety guidelines comprehensively and enables seamless adaptation to different regions. While traditional rule-based methods struggle to incorporate the full scope of traffic rules, we develop a Traffic Regulation Retrieval (TRR) Agent based on Retrieval-Augmented Generation (RAG) to automatically retrieve relevant traffic rules and guidelines from extensive regulation documents and relevant records based on the ego vehicle's situation. Given the semantic complexity of the retrieved rules, we also design a reasoning module powered by a Large Language Model (LLM) to interpret these rules, differentiate between mandatory rules and safety guidelines, and assess actions on legal compliance and safety. Additionally, the reasoning is designed to be interpretable, enhancing both transparency and reliability. The framework demonstrates robust performance on both hypothesized and real-world cases across diverse scenarios, along with the ability to adapt to different regions with ease.
• Abstract（参考訳）: 本研究は、交通規制、基準、安全ガイドラインを包括的に統合し、異なる地域へのシームレスな適応を可能にする自動運転車のための解釈可能な意思決定フレームワークを提案する。 従来のルールベースの手法では,交通規則の全範囲を組み込むのに苦労する一方で,交通規制検索エージェント(TRR)を開発し,車両の状況に基づいた規制文書や関連する記録から,関連する交通規則やガイドラインを自動的に検索する。 検索したルールの意味的な複雑さを考慮し、これらのルールを解釈し、必須規則と安全ガイドラインを区別し、法的コンプライアンスと安全に関する行動を評価するために、LLM(Large Language Model)を利用した推論モジュールを設計する。 さらに、推論は解釈可能で、透明性と信頼性の両方を向上するように設計されている。 このフレームワークは、さまざまなシナリオにまたがる仮説と現実の両方のケースで堅牢なパフォーマンスを示し、異なるリージョンに容易に適応できる能力を示している。

関連論文リスト

• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• TR2MTL: LLM based framework for Metric Temporal Logic Formalization of Traffic Rules [0.0]
  TR2MTLは、大規模言語モデル(LLM)を使用して、交通ルールを自動的にメートル法時間論理(MTL)に変換するフレームワークである。 AVルールの形式化のためのヒューマン・イン・ループ・システムとして構想されている。 時間論理や規則の様々な形式に拡張することができる。
  論文  参考訳（メタデータ） (2024-06-09T09:55:04Z)
• Provable Traffic Rule Compliance in Safe Reinforcement Learning on the Open Sea [8.017543518311196]
  強化学習(Reinforcement Learning, RL)は、自動運転車の運動計画を見つけるための有望な方法である。 提案手法は,時間論理仕様をRLに組み込むことにより,規則遵守の保証を実現する。 重要な海上交通状況に関する数値的な評価では、我々のエージェントは常に形式化された法規に準拠し、決して衝突しない。
  論文  参考訳（メタデータ） (2024-02-13T14:59:19Z)
• 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)
• Guided Conditional Diffusion for Controllable Traffic Simulation [42.198185904248994]
  制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。 データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。 本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
  論文  参考訳（メタデータ） (2022-10-31T14:44:59Z)
• Advising Autonomous Cars about the Rules of the Road [0.0]
  (R)ules (o)f (T)he (R)oad (A)dvisor)は、人間レベルのルールの集合から生成される推奨かつ可能なアクションを提供する。 我々はRoTRAを使って英国「道路のルール」を定式化し、実装する
  論文  参考訳（メタデータ） (2022-09-28T12:22:59Z)
• Towards formalization and monitoring of microscopic traffic parameters using temporal logic [1.3706331473063877]
  本稿では,形式言語Signal Temporal Logicを用いた交通ネットワーク解析のための仕様ベースのモニタリング手法を提案する。 我々は、速度制限に適合し、適切な進路を維持するなど、安全関連行動を特定するモニターを開発する。 この作業は交通管理センターがトラヒックストリーム特性を調査し、ハザードを特定し、トラヒック監視システムを自動化する上で貴重なフィードバックを提供するために利用することができる。
  論文  参考訳（メタデータ） (2021-10-12T17:59:26Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Generalizing Decision Making for Automated Driving with an Invariant Environment Representation using Deep Reinforcement Learning [55.41644538483948]
  現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。 本研究では,エゴ車の観点から不変環境表現を提案する。 この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
  論文  参考訳（メタデータ） (2021-02-12T20:37:29Z)
• MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
  交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。 近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。 本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
  論文  参考訳（メタデータ） (2021-01-04T03:06:08Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)

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。