論文の概要: AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving

• arxiv url: http://arxiv.org/abs/2511.06253v1
• Date: Sun, 09 Nov 2025 07:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.841891
• Title: AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving
• Title（参考訳）: AdaDrive: 言語周囲の自動運転のための自己適応型スローファストシステム
• Authors: Ruifei Zhang, Junlin Xie, Wei Zhang, Weikai Chen, Xiao Tan, Xiang Wan, Guanbin Li,
• Abstract要約: 既存のアプローチでは、Large Language Modelsを頻繁に起動し、過剰な計算オーバーヘッドを引き起こすか、固定スケジュールを使用するかのいずれかである。 我々は,LLMが意思決定にいつ,どのように貢献するかを最適に決定する,適応的に協調的なスローファストフレームワークであるAdaDriveを提案する。 AdaDriveは、リアルタイムのパフォーマンスを損なうことなく、意思決定の精度を最大化するフレキシブルでコンテキスト対応のフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 71.55254573283793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effectively integrating Large Language Models (LLMs) into autonomous driving requires a balance between leveraging high-level reasoning and maintaining real-time efficiency. Existing approaches either activate LLMs too frequently, causing excessive computational overhead, or use fixed schedules, failing to adapt to dynamic driving conditions. To address these challenges, we propose AdaDrive, an adaptively collaborative slow-fast framework that optimally determines when and how LLMs contribute to decision-making. (1) When to activate the LLM: AdaDrive employs a novel adaptive activation loss that dynamically determines LLM invocation based on a comparative learning mechanism, ensuring activation only in complex or critical scenarios. (2) How to integrate LLM assistance: Instead of rigid binary activation, AdaDrive introduces an adaptive fusion strategy that modulates a continuous, scaled LLM influence based on scene complexity and prediction confidence, ensuring seamless collaboration with conventional planners. Through these strategies, AdaDrive provides a flexible, context-aware framework that maximizes decision accuracy without compromising real-time performance. Extensive experiments on language-grounded autonomous driving benchmarks demonstrate that AdaDrive state-of-the-art performance in terms of both driving accuracy and computational efficiency. Code is available at https://github.com/ReaFly/AdaDrive.
• Abstract（参考訳）: 大規模言語モデル(LLM)を自律運転に効果的に統合するには、ハイレベル推論の活用とリアルタイム効率の維持のバランスが必要である。 既存のアプローチでは、LSMを頻繁に起動し、過剰な計算オーバーヘッドを発生させるか、固定されたスケジュールを使用するかのいずれかで、動的運転条件に適応できない。 これらの課題に対処するために,LLMが意思決定にいつ,どのように貢献するかを最適に決定する,適応的に協調的な低速フレームワークであるAdaDriveを提案する。 1) LLMをアクティベートする場合, AdaDriveは, 比較学習機構に基づいてLLMの呼び出しを動的に決定する適応的アクティベーション損失を新たに導入し, 複雑なシナリオやクリティカルシナリオのみのアクティベーションを確保する。 2) LLM をどう統合するか: 厳密なバイナリアクティベーションの代わりに,AdaDrive は,シーンの複雑さと予測の信頼性に基づいて連続的な拡張 LLM の影響を変調し,従来のプランナーとのシームレスな協調を保証する適応型融合戦略を導入している。 これらの戦略を通じて、AdaDriveは、リアルタイムのパフォーマンスを損なうことなく、意思決定の精度を最大化するフレキシブルでコンテキスト対応のフレームワークを提供する。 AdaDriveは、運転精度と計算効率の両方の観点から、最先端の性能を示す。 コードはhttps://github.com/ReaFly/AdaDriveで入手できる。

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)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)

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。