論文の概要: Driving-RAG: Driving Scenarios Embedding, Search, and RAG Applications

• arxiv url: http://arxiv.org/abs/2504.04419v1
• Date: Sun, 06 Apr 2025 09:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:07.531176
• Title: Driving-RAG: Driving Scenarios Embedding, Search, and RAG Applications
• Title（参考訳）: Driving-RAG: 組み込み、検索、RAGアプリケーションのための駆動シナリオ
• Authors: Cheng Chang, Jingwei Ge, Jiazhe Guo, Zelin Guo, Binghong Jiang, Li Li,
• Abstract要約: 運転シナリオデータは、インテリジェントな車や自動運転の開発において、ますます重要な役割を担っている。 本稿では,RAGシステムにおける効率的なシナリオデータ埋め込み,検索,アプリケーション化の課題に対処するための Driving-RAG フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 5.375209782382388
• License:
• Abstract: Driving scenario data play an increasingly vital role in the development of intelligent vehicles and autonomous driving. Accurate and efficient scenario data search is critical for both online vehicle decision-making and planning, and offline scenario generation and simulations, as it allows for leveraging the scenario experiences to improve the overall performance. Especially with the application of large language models (LLMs) and Retrieval-Augmented-Generation (RAG) systems in autonomous driving, urgent requirements are put forward. In this paper, we introduce the Driving-RAG framework to address the challenges of efficient scenario data embedding, search, and applications for RAG systems. Our embedding model aligns fundamental scenario information and scenario distance metrics in the vector space. The typical scenario sampling method combined with hierarchical navigable small world can perform efficient scenario vector search to achieve high efficiency without sacrificing accuracy. In addition, the reorganization mechanism by graph knowledge enhances the relevance to the prompt scenarios and augment LLM generation. We demonstrate the effectiveness of the proposed framework on typical trajectory planning task for complex interactive scenarios such as ramps and intersections, showcasing its advantages for RAG applications.
• Abstract（参考訳）: 運転シナリオデータは、インテリジェントな車や自動運転の開発において、ますます重要な役割を担っている。 正確なシナリオデータ検索は、オンライン車両の意思決定と計画、オフラインシナリオ生成とシミュレーションの両方において重要であり、シナリオエクスペリエンスを活用して全体的なパフォーマンスを改善することができる。 特に,大規模言語モデル (LLM) と検索・拡張・生成システム (RAG) の自律運転への適用により,緊急要件が提示される。 本稿では,効率的なシナリオデータ埋め込み,検索,RAGシステムへの応用といった課題に対処する Driving-RAG フレームワークを提案する。 我々の埋め込みモデルは、ベクトル空間における基本的なシナリオ情報とシナリオ距離のメトリクスを一致させる。 典型的なシナリオサンプリング法と階層的なナビゲート可能な小さな世界を組み合わせることで、効率的なシナリオベクトル探索を行い、精度を犠牲にすることなく高い効率を実現することができる。 さらに、グラフ知識による再構成機構は、プロンプトシナリオとの関連性を高め、LLM生成を増強する。 本稿では,ランプや交差点などの複雑な対話シナリオに対する典型的な軌道計画課題におけるフレームワークの有効性を実証し,RAGアプリケーションに対するその利点を示す。

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)
• Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
  大規模言語モデル(LLM)は自動運転において有望であることを示している。 本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。 我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
  論文  参考訳（メタデータ） (2024-11-25T16:38:17Z)
• End-to-end Driving in High-Interaction Traffic Scenarios with Reinforcement Learning [24.578178308010912]
  これらの問題に対処するために,Ranmble というエンドツーエンドモデルベース RL アルゴリズムを提案する。 環境のダイナミックスモデルを学ぶことで、Rambleは今後のトラフィックイベントを予測し、より情報に富んだ戦略的決定を下すことができる。 Rambleは、CARLA Leaderboard 2.0におけるルート完了率と運転スコアに関する最先端のパフォーマンスを達成し、複雑でダイナミックな交通状況を管理する上での有効性を示している。
  論文  参考訳（メタデータ） (2024-10-03T06:45:59Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• VistaScenario: Interaction Scenario Engineering for Vehicles with Intelligent Systems for Transport Automation [18.897103921181255]
  交通自動化のためのインテリジェントシステムを備えた車両のシナリオエンジニアリングを行うためのVistaScenarioフレームワークを提案する。 要約された車種間相互作用に基づいて、シナリオ進化ツリーを介してシナリオデータストリームをセグメントに分割する。 また,グラフツリーとダイナミック・タイム・ウォーピングに基づくシナリオ・メトリック・グラフ-DTWを提案し,シナリオ比較とラベル付けを行う。
  論文  参考訳（メタデータ） (2024-02-12T15:34:04Z)
• Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
  本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。 これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。 我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
  論文  参考訳（メタデータ） (2021-12-13T13:19:45Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories [2.908482270923597]
  本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。 本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
  論文  参考訳（メタデータ） (2020-07-28T23:33:05Z)

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。