論文の概要: Multi-Agent Causal Reasoning System for Error Pattern Rule Automation in Vehicles

• arxiv url: http://arxiv.org/abs/2602.01155v2
• Date: Tue, 03 Feb 2026 11:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 16:18:58.843314
• Title: Multi-Agent Causal Reasoning System for Error Pattern Rule Automation in Vehicles
• Title（参考訳）: 車両における誤りパターンルール自動化のためのマルチエージェント因果推論システム
• Authors: Hugo Math, Julian Lorenz, Stefan Oelsner, Rainer Lienhart,
• Abstract要約: 本稿では,EPルールの自動生成を行うマルチエージェントシステムであるCAREP(Causal Automated Reasoning for Error Patterns)を紹介する。 29,100以上のユニークなDTCと474のエラーパターンを持つ大規模自動車データセットの評価は、CAREPが未知のEPルールを自動的かつ正確に発見できることを実証している。 CAREPは、実用的な因果発見とエージェントベースの推論を一体化することにより、完全な自動故障診断への一歩である。
• 参考スコア（独自算出の注目度）: 16.029406401970167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern vehicles generate thousands of different discrete events known as Diagnostic Trouble Codes (DTCs). Automotive manufacturers use Boolean combinations of these codes, called error patterns (EPs), to characterize system faults and ensure vehicle safety. Yet, EP rules are still manually handcrafted by domain experts, a process that is expensive and prone to errors as vehicle complexity grows. This paper introduces CAREP (Causal Automated Reasoning for Error Patterns), a multi-agent system that automatizes the generation of EP rules from high-dimensional event sequences of DTCs. CAREP combines a causal discovery agent that identifies potential DTC-EP relations, a contextual information agent that integrates metadata and descriptions, and an orchestrator agent that synthesizes candidate boolean rules together with interpretable reasoning traces. Evaluation on a large-scale automotive dataset with over 29,100 unique DTCs and 474 error patterns demonstrates that CAREP can automatically and accurately discover the unknown EP rules, outperforming LLM-only baselines while providing transparent causal explanations. By uniting practical causal discovery and agent-based reasoning, CAREP represents a step toward fully automated fault diagnostics, enabling scalable, interpretable, and cost-efficient vehicle maintenance.
• Abstract（参考訳）: 現代の車両は、診断トラブルコード(DTC)として知られる何千もの異なる個別のイベントを発生させる。 自動車メーカーは、エラーパターン(EP)と呼ばれるこれらのコードのブールの組み合わせを使用して、システム障害を特徴づけ、車両の安全性を確保する。 しかし、EPルールは依然としてドメインの専門家によって手作業で作成されている。 本稿では,DTCの高次元イベントシーケンスからEP規則を生成するマルチエージェントシステムであるCAREP(Causal Automated Reasoning for Error Patterns)を紹介する。 CAREPは、潜在的なDTC-EP関係を識別する因果発見エージェント、メタデータと記述を統合する文脈情報エージェント、および解釈可能な推論トレースとともに、候補ブール規則を合成するオーケストレータエージェントを組み合わせる。 29,100以上のユニークなDTCと474のエラーパターンを持つ大規模自動車データセットの評価は、CAREPが未知のEPルールを自動的かつ正確に発見し、透過的な因果説明を提供しながらLLMのみのベースラインを上回ることを示した。 CAREPは、実用的な因果発見とエージェントベースの推論を統一することにより、完全に自動化された故障診断へのステップを示し、スケーラブルで解釈可能でコスト効率のよい車両メンテナンスを可能にします。

関連論文リスト

• Transforming Vehicle Diagnostics: A Multimodal Approach to Error Patterns Prediction [14.409508347156397]
  本稿では、エラーコードからエラーパターンへの多重ラベルシーケンス分類のための、最初のマルチモーダルアプローチであるBiCarFormerを提案する。 DTCシーケンスと従来のシーケンスモデルに依存するモデルと比較して,BiCarFormerは分類性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-02-01T09:06:49Z)
• AutoMT: A Multi-Agent LLM Framework for Automated Metamorphic Testing of Autonomous Driving Systems [14.084623367678084]
  AutoMTは、ローカルトラフィックルールからメタモルフィックリレーショナル(MR)を抽出するフレームワークである。 視覚言語エージェントがシナリオを分析し、検索エージェントがRAGベースのデータベースから適切なMRを取得し、フォローアップケースを生成する。 実験の結果, AutoMT は, 最良ベースラインと比較して, フォローアップケース生成において最大5倍の多様性を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-10-22T10:11:05Z)
• On Simulation-Guided LLM-based Code Generation for Safe Autonomous Driving Software [0.577182115743694]
  オートマチック・ドライビング・システム(Automated Driving System, ADS)は、車両の環境の解釈に責任を負う安全クリティカルなソフトウェアシステムである。 ADSの開発には厳格なプロセスが必要で、車両に配備する前にコードを検証し、検証し、評価し、検証する。 本研究では,自動コード生成と評価のためのプロトタイプを開発し,評価した。
  論文  参考訳（メタデータ） (2025-04-02T21:35:11Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• A neural-network based anomaly detection system and a safety protocol to protect vehicular network [0.0]
  この論文は、車車間通信を可能にすることにより、道路の安全性と効率を向上させるために、CITS(Cooperative Intelligent Transport Systems)の使用に対処する。 安全性を確保するため、論文では、Long Short-Term Memory (LSTM)ネットワークを用いた機械学習に基づくミスビヘイビア検出システム(MDS)を提案する。
  論文  参考訳（メタデータ） (2024-11-11T14:15:59Z)
• Complex Event Recognition with Symbolic Register Transducers: Extended Technical Report [51.86861492527722]
  本稿では,オートマトンに基づく複合イベント認識システムを提案する。 本システムは,記号とレジスタオートマトンを組み合わせたオートマトンモデルに基づいている。 我々は、イベントストリーム上のパターンを検出するために、SRTをCERでどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2024-07-03T07:59:13Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。