論文の概要: On Simulation-Guided LLM-based Code Generation for Safe Autonomous Driving Software

• arxiv url: http://arxiv.org/abs/2504.02141v1
• Date: Wed, 02 Apr 2025 21:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:58:19.810347
• Title: On Simulation-Guided LLM-based Code Generation for Safe Autonomous Driving Software
• Title（参考訳）: 安全な自動運転ソフトウェアのためのシミュレーション誘導LDMコード生成について
• Authors: Ali Nouri, Johan Andersson, Kailash De Jesus Hornig, Zhennan Fei, Emil Knabe, Hakan Sivencrona, Beatriz Cabrero-Daniel, Christian Berger,
• Abstract要約: オートマチック・ドライビング・システム(Automated Driving System, ADS)は、車両の環境の解釈に責任を負う安全クリティカルなソフトウェアシステムである。 ADSの開発には厳格なプロセスが必要で、車両に配備する前にコードを検証し、検証し、評価し、検証する。 本研究では,自動コード生成と評価のためのプロトタイプを開発し,評価した。
• 参考スコア（独自算出の注目度）: 0.577182115743694
• License:
• Abstract: Automated Driving System (ADS) is a safety-critical software system responsible for the interpretation of the vehicle's environment and making decisions accordingly. The unbounded complexity of the driving context, including unforeseeable events, necessitate continuous improvement, often achieved through iterative DevOps processes. However, DevOps processes are themselves complex, making these improvements both time- and resource-intensive. Automation in code generation for ADS using Large Language Models (LLM) is one potential approach to address this challenge. Nevertheless, the development of ADS requires rigorous processes to verify, validate, assess, and qualify the code before it can be deployed in the vehicle and used. In this study, we developed and evaluated a prototype for automatic code generation and assessment using a designed pipeline of a LLM-based agent, simulation model, and rule-based feedback generator in an industrial setup. The LLM-generated code is evaluated automatically in a simulation model against multiple critical traffic scenarios, and an assessment report is provided as feedback to the LLM for modification or bug fixing. We report about the experimental results of the prototype employing Codellama:34b, DeepSeek (r1:32b and Coder:33b), CodeGemma:7b, Mistral:7b, and GPT4 for Adaptive Cruise Control (ACC) and Unsupervised Collision Avoidance by Evasive Manoeuvre (CAEM). We finally assessed the tool with 11 experts at two Original Equipment Manufacturers (OEMs) by conducting an interview study.
• Abstract（参考訳）: 自動運転システム (Automated Driving System, ADS) は、車両の環境を解釈し、それに応じて意思決定を行うための安全クリティカルなソフトウェアシステムである。 予期せぬイベントを含む駆動コンテキストの複雑さは、しばしば反復的なDevOpsプロセスを通じて達成される継続的改善を必要とします。 しかし、DevOpsプロセスはそれ自体が複雑で、時間とリソースが集中的に改善されている。 LLM(Large Language Models)を使用したADSのコード生成の自動化は、この問題に対処するための潜在的アプローチの1つである。 それでも、ADSの開発には厳格なプロセスが必要であり、車両に配備して使用する前にコードを検証し、検証し、評価し、検証する。 本研究では, LLMをベースとしたエージェント, シミュレーションモデル, ルールベースフィードバックジェネレータの設計パイプラインを用いて, 自動コード生成と評価のプロトタイプを開発し, 評価を行った。 複数の重要な交通シナリオに対するシミュレーションモデルでLLM生成コードを自動評価し、修正やバグ修正のためのLLMへのフィードバックとして評価レポートを提供する。 Codellama:34b, DeepSeek (r1:32b, Coder:33b), CodeGemma:7b, Mistral:7b, GPT4 を応用した適応型クルーズ制御(ACC)とEvasive Manoeuvre (CAEM) による非教師型衝突回避のための試作機の実験結果について報告する。 本ツールについて,2つのOEM(Original Equipment Manufacturers)の専門家11名を対象に,インタビュースタディを実施して評価を行った。

関連論文リスト

• 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)
• OWLed: Outlier-weighed Layerwise Pruning for Efficient Autonomous Driving Framework [3.8320050452121692]
  本稿では,効率的な自律運転フレームワーク Outlier-Weighed Layerwise Pruning であるOWLedを紹介する。 提案手法は,外乱特性の分布に基づいて,異なる層に対して一様でない空間比を割り当てる。 圧縮モデルが自律運転タスクに適合するようにするため、運転環境データをキャリブレーションとプルーニングの両方に組み込む。
  論文  参考訳（メタデータ） (2024-11-12T10:55:30Z)
• AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
  LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。 以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-02T13:24:30Z)
• MCCoder: Streamlining Motion Control with LLM-Assisted Code Generation and Rigorous Verification [15.438969500630677]
  大規模言語モデル(LLM)はコード生成において大きな可能性を証明している。 現在のAI支援モーションコントロールプログラミングの取り組みは、高レベル言語や関数ライブラリにはほとんど関心を示さず、PLCに重点を置いている。 動作制御コードを生成するためのLCMシステムであるMCCoderをソフトモーションコントローラと統合した。
  論文  参考訳（メタデータ） (2024-10-19T16:46:21Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Synergy of Large Language Model and Model Driven Engineering for Automated Development of Centralized Vehicular Systems [2.887732304499794]
  モデル駆動工学(MDE)とLarge Language Models(LLM)の相乗効果を利用したツールのプロトタイプを提案する。 CARLAシミュレータを用いて、緊急ブレーキのシナリオにおいて、生成されたコードをシミュレーション環境で評価する。
  論文  参考訳（メタデータ） (2024-04-08T13:28:11Z)
• DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous Driving [69.82743399946371]
  DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。 モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。 このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
  論文  参考訳（メタデータ） (2023-12-14T18:59:05Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• PEM: Perception Error Model for Virtual Testing of Autonomous Vehicles [20.300846259643137]
  この記事では、知覚エラーモデル(PEM)を定義します。 PEMは仮想シミュレーションコンポーネントであり、知覚誤差がAV安全性に与える影響を分析することができる。 我々は、カメラ、LiDAR、カメラ-LiDARのセットアップを評価することにより、PEMベースの仮想テストの有用性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T10:54:36Z)
• SilGAN: Generating driving maneuvers for scenario-based software-in-the-loop testing [0.0]
  SilGANは、自動車用ソフトウェア・イン・ザ・ループテストの仕様、刺激発生、自動化を容易にする、深い生成モデルである。 モデルはフィールド内の車両から記録されたデータを使って訓練される。
  論文  参考訳（メタデータ） (2021-07-05T07:17:49Z)

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。