論文の概要: Large Language Model-assisted Autonomous Vehicle Recovery from Immobilization

• arxiv url: http://arxiv.org/abs/2510.26023v1
• Date: Wed, 29 Oct 2025 23:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.604451
• Title: Large Language Model-assisted Autonomous Vehicle Recovery from Immobilization
• Title（参考訳）: 固定化による大規模言語モデルによる自律走行車両の回収
• Authors: Zhipeng Bao, Qianwen Li,
• Abstract要約: 本稿では,自律走行車(AV)のためのLarge Language Model(LLM)駆動リカバリフレームワークであるStuckrを紹介する。 Stuckrにより、AVは自己推論や乗客誘導による意思決定を通じて、固定化のシナリオを解決することができる。 以上の結果から,Stuckrは自律的自己推論だけでほぼ最先端のパフォーマンスを達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 7.777696851397537
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite significant advancements in recent decades, autonomous vehicles (AVs) continue to face challenges in navigating certain traffic scenarios where human drivers excel. In such situations, AVs often become immobilized, disrupting overall traffic flow. Current recovery solutions, such as remote intervention (which is costly and inefficient) and manual takeover (which excludes non-drivers and limits AV accessibility), are inadequate. This paper introduces StuckSolver, a novel Large Language Model (LLM) driven recovery framework that enables AVs to resolve immobilization scenarios through self-reasoning and/or passenger-guided decision-making. StuckSolver is designed as a plug-in add-on module that operates on top of the AV's existing perception-planning-control stack, requiring no modification to its internal architecture. Instead, it interfaces with standard sensor data streams to detect immobilization states, interpret environmental context, and generate high-level recovery commands that can be executed by the AV's native planner. We evaluate StuckSolver on the Bench2Drive benchmark and in custom-designed uncertainty scenarios. Results show that StuckSolver achieves near-state-of-the-art performance through autonomous self-reasoning alone and exhibits further improvements when passenger guidance is incorporated.
• Abstract（参考訳）: 最近の数十年で大幅に進歩したにもかかわらず、自動運転車(AV)は、人間のドライバーが興奮する特定の交通シナリオをナビゲートする際の課題に直面し続けている。 このような状況下では、AVはしばしば固定化され、全体の交通の流れを乱す。 現在のリカバリソリューションでは、リモート介入(費用がかかり非効率)や手動の乗っ取り(非ドライバを除外し、AVアクセシビリティを制限する)が不十分である。 本稿では,新たな大規模言語モデル(LLM)によるリカバリフレームワークであるStuckSolverを紹介する。 StuckSolverは、AVの既存の知覚計画制御スタック上で動作するプラグインアドオンモジュールとして設計されており、内部アーキテクチャの変更は不要である。 代わりに、標準のセンサーデータストリームとインターフェースして、固定状態を検出し、環境コンテキストを解釈し、AVのネイティブプランナが実行可能な高レベルのリカバリコマンドを生成する。 我々は、Bench2Driveベンチマークとカスタム設計の不確実性シナリオでStuckSolverを評価した。 以上の結果から,StuckSolverは自律的自己推論単独で最先端のパフォーマンスを達成し,乗客の指導を取り入れた際のさらなる改善が示された。

関連論文リスト

• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• CoReVLA: A Dual-Stage End-to-End Autonomous Driving Framework for Long-Tail Scenarios via Collect-and-Refine [73.74077186298523]
  CoReVLAは、自動運転のための継続的学習フレームワークである。 データコレクションとビヘイビアリファインメントの2段階プロセスを通じて、ロングテールシナリオのパフォーマンスを改善する。 CoReVLAは72.18のドライビングスコア(DS)と50%の成功率(SR)を達成し、7.96DSの最先端手法と15%SRの長期的安全クリティカルシナリオで性能を向上する。
  論文  参考訳（メタデータ） (2025-09-19T13:25:56Z)
• Confidence-Regulated Generative Diffusion Models for Reliable AI Agent Migration in Vehicular Metaverses [55.70043755630583]
  車両用AIエージェントには、環境認識、意思決定、行動実行能力が与えられている。 本稿では、信頼性の高い車両用AIエージェントマイグレーションフレームワークを提案し、信頼性の高い動的マイグレーションと効率的なリソーススケジューリングを実現する。 我々は,AIエージェントのマイグレーション決定を効率的に生成する信頼性制御型生成拡散モデル(CGDM)を開発した。
  論文  参考訳（メタデータ） (2025-05-19T05:04:48Z)
• Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
  視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。 本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。 我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
  論文  参考訳（メタデータ） (2025-05-09T20:28:17Z)
• What Matters in Autonomous Driving Anomaly Detection: A Weakly Supervised Horizon [12.88166582566313]
  自律走行シナリオにおけるビデオ異常検出(VAD)は重要な課題であるが、エゴ中心のビューと移動カメラのためにいくつかの課題が伴う。 弱教師付きVOD法の最近の進歩は、静的カメラシナリオにおける重要な現実世界の異常の検出において顕著な進歩を見せている。 自動運転VADの弱制御手法開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-08-10T14:04:52Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Stackelberg Driver Model for Continual Policy Improvement in Scenario-Based Closed-Loop Autonomous Driving [5.765939495779461]
  安全クリティカルなシナリオを合成するための効率的な手法のクラスとして、敵生成法が登場した。 Stackelberg Driver Model (SDM) を調整し、車両相互作用の階層的な性質を正確に特徴づける。 提案アルゴリズムは,特に高次元シナリオにおいて,いくつかのベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-25T15:47:07Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)

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。