論文の概要: CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving

• arxiv url: http://arxiv.org/abs/2503.08683v1
• Date: Tue, 11 Mar 2025 17:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:44:51.038504
• Title: CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving
• Title（参考訳）: CoLMDriver:LLMをベースとしたネゴシエーションは協調的自律運転に効果がある
• Authors: Changxing Liu, Genjia Liu, Zijun Wang, Jinchang Yang, Siheng Chen,
• Abstract要約: 車両から車両への協調運転(V2V)は安全性向上に大いに貢献する。 従来の協調手法は、厳密な協調プロトコルと、目に見えない対話的なシナリオへの限定的な一般化によって制約される。 我々は,最初のフルピペリンLCMを用いた協調駆動システムであるCoLMDriverを提案する。
• 参考スコア（独自算出の注目度）: 28.101283061232472
• License:
• Abstract: Vehicle-to-vehicle (V2V) cooperative autonomous driving holds great promise for improving safety by addressing the perception and prediction uncertainties inherent in single-agent systems. However, traditional cooperative methods are constrained by rigid collaboration protocols and limited generalization to unseen interactive scenarios. While LLM-based approaches offer generalized reasoning capabilities, their challenges in spatial planning and unstable inference latency hinder their direct application in cooperative driving. To address these limitations, we propose CoLMDriver, the first full-pipeline LLM-based cooperative driving system, enabling effective language-based negotiation and real-time driving control. CoLMDriver features a parallel driving pipeline with two key components: (i) an LLM-based negotiation module under an actor-critic paradigm, which continuously refines cooperation policies through feedback from previous decisions of all vehicles; and (ii) an intention-guided waypoint generator, which translates negotiation outcomes into executable waypoints. Additionally, we introduce InterDrive, a CARLA-based simulation benchmark comprising 10 challenging interactive driving scenarios for evaluating V2V cooperation. Experimental results demonstrate that CoLMDriver significantly outperforms existing approaches, achieving an 11% higher success rate across diverse highly interactive V2V driving scenarios. Code will be released on https://github.com/cxliu0314/CoLMDriver.
• Abstract（参考訳）: 車両から車両への協調運転(V2V)は、単一エージェントシステムに固有の認識と予測の不確実性に対処することで、安全性を向上させるための大きな約束を持っている。 しかし、従来の協調手法は、厳密な協調プロトコルと、目に見えない対話シナリオへの限定的な一般化によって制約されている。 LLMベースのアプローチは一般的な推論機能を提供するが、空間計画と不安定な推論遅延の課題は、協調運転における直接の応用を妨げる。 これらの制約に対処するため,最初のフルパイプLLMベースの協調運転システムであるCoLMDriverを提案し,言語による効果的な交渉とリアルタイム運転制御を実現する。 CoLMDriverは2つの主要なコンポーネントを備えた並列運転パイプラインを備えている。 一 アクター・クリティカル・パラダイムに基づくLLMベースの交渉モジュールで、全車両の以前の決定からのフィードバックにより、継続的な協力政策の洗練を図ること。 (ii) 交渉結果を実行可能なウェイポイントに変換する意図誘導型ウェイポイントジェネレータ。 さらに、CARLAベースのシミュレーションベンチマークであるInterDriveを導入し、V2V協調性を評価するための10の挑戦的な対話駆動シナリオについて述べる。 実験の結果、CoLMDriverは既存の手法よりも大幅に優れており、多種多様な高度にインタラクティブなV2V駆動シナリオで11%高い成功率を達成した。 コードはhttps://github.com/cxliu0314/COLMDriver.comでリリースされる。

関連論文リスト

• V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multi-Modal Large Language Models [31.537045261401666]
  車両間通信(V2V)は提案されているが、検出と追跡に重点を置く傾向にある。 本稿では,Large Language Models (LLM) を協調自律運転に組み込む新しい問題設定を提案する。 また,LLMを用いて複数の連結自動運転車の知覚情報を融合するV2V-LLM法を提案する。
  論文  参考訳（メタデータ） (2025-02-14T08:05:41Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• WHALES: A Multi-agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [54.365702251769456]
  我々は、駆動シーケンス当たり平均8.4エージェントのデータセットを提示する。 自律運転データセットの中で最大のエージェントと視点を提供するだけでなく、WHALESはエージェントの振る舞いを記録する。 エージェントスケジューリングタスクにおいて,エゴエージェントが複数の候補エージェントの1つを選択して協調する実験を行う。
  論文  参考訳（メタデータ） (2024-11-20T14:12:34Z)
• 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)
• Validation of critical maneuvers based on shared control [0.0]
  本稿では,自動走行システムにおける臨界操作に対する共有制御方式の有効性について述べる。 提案手法は,低視認性シナリオの克服と横方向の回避行動という,2つの重要な操作に重点を置いている。 その結果,安全性とユーザ受け入れ性が向上し,共有制御戦略の有効性が示された。
  論文  参考訳（メタデータ） (2024-04-05T10:38:33Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• 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)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Learning Interaction-aware Guidance Policies for Motion Planning in Dense Traffic Scenarios [8.484564880157148]
  本稿では,高密度交通シナリオにおける対話型モーションプランニングのための新しい枠組みを提案する。 我々は,他車両の協調性に関する国際的ガイダンスを提供するインタラクション対応政策であるDeep Reinforcement Learning (RL) を通じて学習することを提案する。 学習されたポリシーは、ローカル最適化ベースのプランナーを推論し、対話的な振る舞いで誘導し、他の車両が収まらない場合に安全を維持しながら、密集したトラフィックに積極的にマージする。
  論文  参考訳（メタデータ） (2021-07-09T16:43:12Z)

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。