論文の概要: A Multi-Agent LLM Framework for Design Space Exploration in Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2512.08476v1
- Date: Tue, 09 Dec 2025 10:50:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.226122
- Title: A Multi-Agent LLM Framework for Design Space Exploration in Autonomous Driving Systems
- Title（参考訳）: 自律走行システムにおける設計空間探索のための多エージェントLLMフレームワーク
- Abstract要約: 本稿では,多エージェント大規模言語モデル(LLM)に基づく設計空間探索フレームワークを提案する。
マルチモーダル推論と3Dシミュレーションとプロファイリングツールを統合し、実行出力の解釈を自動化する。
ロボットタクシーのケーススタディにおいて,プロトタイプの実装を開発し,評価した。
- 参考スコア（独自算出の注目度）: 2.179402741463009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing autonomous driving systems requires efficient exploration of large hardware/software configuration spaces under diverse environmental conditions, e.g., with varying traffic, weather, and road layouts. Traditional design space exploration (DSE) approaches struggle with multi-modal execution outputs and complex performance trade-offs, and often require human involvement to assess correctness based on execution outputs. This paper presents a multi-agent, large language model (LLM)-based DSE framework, which integrates multi-modal reasoning with 3D simulation and profiling tools to automate the interpretation of execution outputs and guide the exploration of system designs. Specialized LLM agents are leveraged to handle user input interpretation, design point generation, execution orchestration, and analysis of both visual and textual execution outputs, which enables identification of potential bottlenecks without human intervention. A prototype implementation is developed and evaluated on a robotaxi case study (an SAE Level 4 autonomous driving application). Compared with a genetic algorithm baseline, the proposed framework identifies more Pareto-optimal, cost-efficient solutions with reduced navigation time under the same exploration budget. Experimental results also demonstrate the efficiency of the adoption of the LLM-based approach for DSE. We believe that this framework paves the way to the design automation of autonomous driving systems.
- Abstract（参考訳）: 自律運転システムの設計には、様々な環境条件(例えば、交通量、天候、道路レイアウトなど)下で大きなハードウェアやソフトウェアの構成空間を効率的に探索する必要がある。
従来の設計空間探索(DSE)アプローチは、マルチモーダルな実行出力と複雑なパフォーマンストレードオフに苦しむ。
本稿では,マルチエージェント・大規模言語モデル(LLM)に基づくDSEフレームワークを提案する。このフレームワークは,マルチモーダル推論と3次元シミュレーションとプロファイリングツールを統合し,実行出力の解釈を自動化するとともに,システム設計の探索を指導する。
特殊なLLMエージェントは、ユーザ入力の解釈、設計ポイントの生成、実行オーケストレーション、および視覚的およびテキスト的実行出力の解析に利用され、人間の介入なしに潜在的なボトルネックを識別できる。
ロボットタクシーのケーススタディ(SAEレベル4自動運転アプリケーション)で試作機を開発し評価した。
遺伝的アルゴリズムのベースラインと比較すると、同じ探索予算の下で航法時間を短縮し、よりパレート最適でコスト効率の高いソリューションを特定することができる。
実験結果からは,DSE に対する LLM ベースのアプローチの有効性が示された。
このフレームワークは、自動運転システムの設計自動化の道を開くものだと考えています。
関連論文リスト
- EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。
EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。
さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
論文 参考訳（メタデータ） (2026-08-05T08:50:36Z) - Scalable AI-assisted Workflow Management for Detector Design Optimization Using Distributed Computing [0.7287445515583322]
本稿では,多目的ベイズ最適化を統合した検出器設計最適化のためのAI支援フレームワークを提案する。
我々は、Electron-Ion Collider(EIC)のためのベンチマーク問題とePICおよびdRICH検出器の現実的研究を用いたフレームワークを実証する。
その結果、多目的最適化における自動化、スケーラビリティ、効率性が向上した。
論文 参考訳（メタデータ） (2026-03-31T17:11:16Z) - A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - Glia: A Human-Inspired AI for Automated Systems Design and Optimization [10.212306725777141]
Gliaは、人間にインスパイアされたマルチエージェントワークフローで大きな言語モデル(LLM)を使用する、ネットワークシステム設計のためのAIアーキテクチャである。
この結果から,LLMの推論と構造化実験を組み合わせることで,複雑なシステム問題に対する創造的で理解可能な設計をAIが作成できることが示唆された。
論文 参考訳（メタデータ） (2025-10-31T04:58:00Z) - Large Multimodal Models-Empowered Task-Oriented Autonomous Communications: Design Methodology and Implementation Challenges [31.57528074626831]
大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は前例のない突破口となった。
本稿では,LLM/LMMを用いたタスク指向の自律通信について述べる。
提案したLLM/LMM支援自律システムは,従来型および差別型深層学習(DL)モデルに基づく手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2025-10-23T15:08:58Z) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。
このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。
完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
論文 参考訳（メタデータ） (2025-04-20T16:57:45Z) - 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。