論文の概要: Beyond Shortest Path: Agentic Vehicular Routing with Semantic Context

• arxiv url: http://arxiv.org/abs/2511.04464v1
• Date: Thu, 06 Nov 2025 15:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.480421
• Title: Beyond Shortest Path: Agentic Vehicular Routing with Semantic Context
• Title（参考訳）: 最短経路を超える:セマンティックな文脈で作用する血管ルーティング
• Authors: Carnot Braun, Rafael O. Jarczewski, Gabriel U. Talasso, Leandro A. Villas, Allan M. de Souza,
• Abstract要約: 本稿では,従来のパスフィニングアルゴリズムを文脈推論で拡張するハイブリッドエージェントアシスタントであるPAVeを紹介し,評価する。 現実的な都市シナリオのベンチマークでは、PAVeは複雑なユーザインテントを使って適切なルート修正に成功した。 従来のルーティングアルゴリズムとLLMに基づくセマンティック推論層を組み合わせることは、都市移動最適化のためのパーソナライズされた適応的でスケーラブルなソリューションを作成するための堅牢で効果的なアプローチである、と結論付けている。
• 参考スコア（独自算出の注目度）: 0.3767731868757604
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Traditional vehicle routing systems efficiently optimize singular metrics like time or distance, and when considering multiple metrics, they need more processes to optimize . However, they lack the capability to interpret and integrate the complex, semantic, and dynamic contexts of human drivers, such as multi-step tasks, situational constraints, or urgent needs. This paper introduces and evaluates PAVe (Personalized Agentic Vehicular Routing), a hybrid agentic assistant designed to augment classical pathfinding algorithms with contextual reasoning. Our approach employs a Large Language Model (LLM) agent that operates on a candidate set of routes generated by a multi-objective (time, CO2) Dijkstra algorithm. The agent evaluates these options against user-provided tasks, preferences, and avoidance rules by leveraging a pre-processed geospatial cache of urban Points of Interest (POIs). In a benchmark of realistic urban scenarios, PAVe successfully used complex user intent into appropriate route modifications, achieving over 88% accuracy in its initial route selections with a local model. We conclude that combining classical routing algorithms with an LLM-based semantic reasoning layer is a robust and effective approach for creating personalized, adaptive, and scalable solutions for urban mobility optimization.
• Abstract（参考訳）: 従来の車両ルーティングシステムは、時間や距離といった特異なメトリクスを効率的に最適化する。 しかしながら、マルチステップタスクや状況制約、緊急ニーズといった、人間のドライバの複雑な、意味的、動的コンテキストを解釈し、統合する能力は欠如している。 本稿では,従来のパスフィンディングアルゴリズムを文脈推論で拡張するハイブリッドエージェントアシスタントであるPAVe(Personalized Agentic Vehicular Routing)を紹介し,評価する。 提案手法では,多目的 (time, CO2) Dijkstra アルゴリズムによって生成される経路の候補セットで動作するLarge Language Model (LLM) エージェントを用いる。 エージェントは、都市間空間キャッシュを利用して、ユーザが提供するタスク、嗜好、回避ルールに対して、これらのオプションを評価する。 現実的な都市シナリオのベンチマークにおいて、PAVeは複雑なユーザインテントを適切なルート修正に使用し、ローカルモデルによるルート選択において88%以上の精度を達成した。 従来のルーティングアルゴリズムとLLMに基づくセマンティック推論層を組み合わせることは、都市移動最適化のためのパーソナライズされた適応的でスケーラブルなソリューションを作成するための堅牢で効果的なアプローチである、と結論付けている。

関連論文リスト

• Constraint-Aware Route Recommendation from Natural Language via Hierarchical LLM Agents [21.473451572179552]
  RouteLLMは階層的なマルチエージェントフレームワークで、自然言語の意図を制約対応ルートに基礎付ける。 まず、ユーザクエリをPOI、パス、制約を含む構造化インテントに解析する。 最終検証エージェントは、制約満足度を確保し、解釈可能な理論的根拠で最終経路を生成する。
  論文  参考訳（メタデータ） (2025-10-07T16:03:57Z)
• Comparative Analysis of Ant Colony Optimization and Google OR-Tools for Solving the Open Capacitated Vehicle Routing Problem in Logistics [0.0]
  Open Capacitated Vehicle Routing Problem (OCVRP)は、地理的に分散した顧客に最適な配送ルートを見つけることを扱う。 本研究は,OCVRPソリューションのアルゴリズムとして,自然に着想を得たメタヒューリスティックであるAnt Colony Optimization (ACO)と,業界標準の最適化ツールキットであるGoogle OR-Toolsの2つを比較した。
  論文  参考訳（メタデータ） (2025-09-30T13:18:14Z)
• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
  車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。 本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。 このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• DynamicRouteGPT: A Real-Time Multi-Vehicle Dynamic Navigation Framework Based on Large Language Models [13.33340860174857]
  複雑な交通環境におけるリアルタイムな動的経路計画は、交通量の変化や信号待ち時間といった課題を提示する。 DijkstraやA*のような従来の静的ルーティングアルゴリズムは最短経路を計算するが、しばしば動的条件下で失敗する。 本稿では,実時間動的経路計画のための因果推論に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T11:19:58Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• Integrated Decision and Control: Towards Interpretable and Efficient Driving Intelligence [13.589285628074542]
  自動走行車のための解釈可能かつ効率的な意思決定・制御フレームワークを提案する。 駆動タスクを階層的に構造化されたマルチパス計画と最適追跡に分解する。 その結果,オンライン計算の効率性や交通効率,安全性などの運転性能が向上した。
  論文  参考訳（メタデータ） (2021-03-18T14:43:31Z)
• Surrogate-assisted cooperative signal optimization for large-scale traffic networks [6.223837701805064]
  本研究では,サロゲート支援協調信号最適化(SCSO)手法を提案する。 ニューマン・ファスト・アルゴリズムを用いて,分散アルゴリズムを分解器,代理モデル,具体的SCSOアルゴリズムとして修正した。 その有効性と有効性を評価するため、実際の交通ネットワークに基づいて、クロスロードとTジャンクションを含む大規模交通ネットワークを生成する。
  論文  参考訳（メタデータ） (2021-03-03T01:03:57Z)

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。