論文の概要: LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios

• arxiv url: http://arxiv.org/abs/2505.17209v1
• Date: Thu, 22 May 2025 18:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.651006
• Title: LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios
• Title（参考訳）: LiloDriver: 長距離自動運転シナリオにおける閉ループ運動計画のための生涯学習フレームワーク
• Authors: Huaiyuan Yao, Pengfei Li, Bu Jin, Yupeng Zheng, An Liu, Lisen Mu, Qing Su, Qian Zhang, Yilun Chen, Peng Li,
• Abstract要約: LiloDriverは、ロングテール自動運転シナリオにおけるクローズドループモーションプランニングのための生涯学習フレームワークである。 知覚、シーンエンコーディング、メモリベースの戦略改善、LLM誘導推論を含む4段階アーキテクチャを備えている。 本研究は、構造化メモリとLCM推論を組み合わせることで、現実の自律運転において、スケーラブルで人間ライクな動作計画を可能にすることの有効性を強調した。
• 参考スコア（独自算出の注目度）: 23.913788819453796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in autonomous driving research towards motion planners that are robust, safe, and adaptive. However, existing rule-based and data-driven planners lack adaptability to long-tail scenarios, while knowledge-driven methods offer strong reasoning but face challenges in representation, control, and real-world evaluation. To address these challenges, we present LiloDriver, a lifelong learning framework for closed-loop motion planning in long-tail autonomous driving scenarios. By integrating large language models (LLMs) with a memory-augmented planner generation system, LiloDriver continuously adapts to new scenarios without retraining. It features a four-stage architecture including perception, scene encoding, memory-based strategy refinement, and LLM-guided reasoning. Evaluated on the nuPlan benchmark, LiloDriver achieves superior performance in both common and rare driving scenarios, outperforming static rule-based and learning-based planners. Our results highlight the effectiveness of combining structured memory and LLM reasoning to enable scalable, human-like motion planning in real-world autonomous driving. Our code is available at https://github.com/Hyan-Yao/LiloDriver.
• Abstract（参考訳）: 近年の自律運転研究の進歩は、堅牢で安全で適応的な運動プランナーへ向けられている。 しかし、既存のルールベースおよびデータ駆動プランナーはロングテールシナリオへの適応性に欠けており、知識駆動手法は強力な推論を提供するが、表現、制御、実世界の評価において課題に直面している。 これらの課題に対処するために、LoloDriverを紹介した。LoloDriverは、長い尾の自律走行シナリオにおける閉ループ運動計画のための生涯学習フレームワークである。 大きな言語モデル(LLM)とメモリ拡張プランナー生成システムを統合することで、LiloDriverは再トレーニングなしに新しいシナリオに継続的に適応する。 知覚、シーンエンコーディング、メモリベースの戦略改善、LLM誘導推論を含む4段階アーキテクチャを備えている。 nuPlanベンチマークに基づいて評価されたLiloDriverは、一般的な駆動シナリオと稀な駆動シナリオの両方で優れたパフォーマンスを実現し、静的ルールベースのプランナと学習ベースのプランナを上回っている。 本研究は、構造化メモリとLCM推論を組み合わせることで、現実の自律運転において、スケーラブルで人間ライクな動作計画を可能にすることの有効性を強調した。 私たちのコードはhttps://github.com/Hyan-Yao/LiloDriver.comで利用可能です。

関連論文リスト

• Diffusion-Based Planning for Autonomous Driving with Flexible Guidance [19.204115959760788]
  閉ループ計画のための新しい変圧器ベース拡散プランナを提案する。 本モデルは,予測タスクと計画タスクの協調モデリングを支援する。 様々な運転スタイルで頑健な伝達性を持つ最先端の閉ループ性能を実現する。
  論文  参考訳（メタデータ） (2025-01-26T15:49:50Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios? [11.917542484123134]
  現実の自動運転システムは、稀で多様な交通シナリオに直面して安全な判断をしなければならない。 現在の最先端のプランナーは、主にnuScenes(オープンループ)やnuPlan(クローズループ)といった現実世界のデータセットで評価されます。
  論文  参考訳（メタデータ） (2024-04-11T08:57:48Z)
• VLP: Vision Language Planning for Autonomous Driving [52.640371249017335]
  本稿では,言語理解と自律運転のギャップを埋めるために,言語モデルを利用したビジョン・ランゲージ・プランニングフレームワークを提案する。 平均的なL2エラーと衝突率でそれぞれ35.9%と60.5%の削減を達成して、NuScenesデータセットの最先端のエンドツーエンドプランニング性能を達成している。
  論文  参考訳（メタデータ） (2024-01-10T23:00:40Z)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• GPT-Driver: Learning to Drive with GPT [47.14350537515685]
  我々は,OpenAI GPT-3.5モデルを自律走行車のための信頼性の高い運動プランナに変換する,シンプルで効果的なアプローチを提案する。 我々は、Large Language Models(LLMs)固有の強力な推論能力と一般化の可能性に乗じる。 我々は,大規模な nuScenes データセットに対する我々のアプローチを評価し,GPT ベースの運動プランナの有効性,一般化能力,解釈可能性について検証した。
  論文  参考訳（メタデータ） (2023-10-02T17:59:57Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)

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。