論文の概要: ML-SceGen: A Multi-level Scenario Generation Framework

• arxiv url: http://arxiv.org/abs/2501.10782v1
• Date: Sat, 18 Jan 2025 14:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:22:58.979452
• Title: ML-SceGen: A Multi-level Scenario Generation Framework
• Title（参考訳）: ML-SceGen: マルチレベルシナリオ生成フレームワーク
• Authors: Yicheng Xiao, Yangyang Sun, Yicheng Lin,
• Abstract要約: ユーザが生成したシナリオの可制御性を取り戻すための3段階のフレームワークを構築したいと考えています。 我々は、Answer Set Programming (ASP)ソルバのClingoを使って、交差点内の包括的な論理的トラフィックを生成する。
• 参考スコア（独自算出の注目度）: 1.249418440326334
• License:
• Abstract: Current scientific research witnesses various attempts at applying Large Language Models for scenario generation but is inclined only to comprehensive or dangerous scenarios. In this paper, we seek to build a three-stage framework that not only lets users regain controllability over the generated scenarios but also generates comprehensive scenarios containing danger factors in uncontrolled intersection settings. In the first stage, LLM agents will contribute to translating the key components of the description of the expected scenarios into Functional Scenarios. For the second stage, we use Answer Set Programming (ASP) solver Clingo to help us generate comprehensive logical traffic within intersections. During the last stage, we use LLM to update relevant parameters to increase the critical level of the concrete scenario.
• Abstract（参考訳）: 現在の科学的研究は、シナリオ生成に大規模言語モデルを適用しようとする様々な試みを目撃しているが、包括的なシナリオや危険なシナリオのみに傾倒している。 本稿では,ユーザが生成したシナリオの制御可能性を取り戻すだけでなく,制御不能な交差点設定における危険要因を含む包括的シナリオを生成する3段階フレームワークの構築を目的とする。 第一段階では、LLMエージェントは、期待されるシナリオ記述の重要なコンポーネントを機能シナリオに変換することに貢献する。 第2段階では、Answer Set Programming (ASP)ソルバのClingoを使って、交差点内の包括的な論理的トラフィックを生成する。 最後の段階では、LLMを使用して関連するパラメータを更新し、具体的なシナリオの臨界レベルを向上します。

関連論文リスト

• DynaSaur: Large Language Agents Beyond Predefined Actions [108.75187263724838]
  既存のLLMエージェントシステムは、通常、各ステップで固定セットと事前定義されたセットからアクションを選択する。 動作の動的生成と構成をオンラインで実現するLLMエージェントフレームワークを提案する。 GAIAベンチマーク実験により, このフレームワークは柔軟性が向上し, 従来の手法よりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2024-11-04T02:08:59Z)
• Sample then Identify: A General Framework for Risk Control and Assessment in Multimodal Large Language Models [46.56041622514975]
  リスク管理とアセスメントのための2段階のフレームワークであるTRONを紹介する。 TRONは、2つのユーザ特定リスクレベルに制限された所望のエラー率を達成する。 重複予測セットは適応性を維持しつつ、異なるリスクレベルのリスク評価に対してより効率的で安定である。
  論文  参考訳（メタデータ） (2024-10-10T17:50:42Z)
• LeGEND: A Top-Down Approach to Scenario Generation of Autonomous Driving Systems Assisted by Large Language Models [9.841914333647631]
  シナリオ生成のトップダウン方式を特徴とするLeGENDを提案する。 最初は抽象的な機能シナリオから始まり、その後論理的で具体的なシナリオへと下降する。 形式的に記述できる論理的シナリオとは異なり、関数的シナリオは自然言語で文書化されることが多い。
  論文  参考訳（メタデータ） (2024-09-16T08:01:21Z)
• ChatScene: Knowledge-Enabled Safety-Critical Scenario Generation for Autonomous Vehicles [17.396416459648755]
  ChatSceneはLarge Language Model(LLM)ベースのエージェントで、自動運転車の安全クリティカルなシナリオを生成する。 エージェントの重要な部分は包括的知識検索コンポーネントであり、特定のテキスト記述を対応するドメイン固有のコードスニペットに効率的に翻訳する。
  論文  参考訳（メタデータ） (2024-05-22T23:21:15Z)
• Can large language models explore in-context? [87.49311128190143]
  単純なマルチアームバンディット環境において,エージェントとして大規模言語モデルをデプロイする。 モデルが実質的な介入なしには、探索にしっかりと関わっていないことが分かっています。
  論文  参考訳（メタデータ） (2024-03-22T17:50:43Z)
• A Reinforcement Learning Framework with Description Language for Critical Driving Scenario Generation [2.00757246016556]
  本稿では,タスク評価の高速化のための重要なシナリオを生成するフレームワークを提案する。 具体的には,まずシナリオをモデル化するための記述言語BTScenarioを提案する。 次に、強化学習を用いて臨界パラメータの組み合わせを探索する。
  論文  参考訳（メタデータ） (2022-09-21T02:42:41Z)
• Transcormer: Transformer for Sentence Scoring with Sliding Language Modeling [95.9542389945259]
  文スコアリングは文の可能性を測ることを目的としており、多くの自然言語処理シナリオで広く使われている。 文スコアリングのための新しいテキストスライディング言語モデリング(SLM)を備えたトランスフォーマーモデルであるtextitTranscormerを提案する。
  論文  参考訳（メタデータ） (2022-05-25T18:00:09Z)
• A Variational Hierarchical Model for Neural Cross-Lingual Summarization [85.44969140204026]
  言語間の要約(英: cross-lingual summarization)とは、ある言語の文書を別の言語の要約に変換することである。 CLSに関する既存の研究は主にパイプライン手法の利用やエンドツーエンドモデルの共同トレーニングに重点を置いている。 条件付き変分自動エンコーダに基づくCLSタスクの階層モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-08T02:46:11Z)
• Retrieve-and-Fill for Scenario-based Task-Oriented Semantic Parsing [110.4684789199555]
  シナリオベースのセマンティックパーシングを導入し、最初に発話の「scenario」を曖昧にする必要がある元のタスクの変種を紹介します。 この定式化により、タスクの粗くきめ細かな側面を分離することが可能となり、それぞれがオフザシェルフニューラルネットワークモジュールで解決される。 私たちのモデルはモジュール化され、差別化可能で、解釈可能で、シナリオから余分な監督を得られるようになります。
  論文  参考訳（メタデータ） (2022-02-02T08:00:21Z)

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。