論文の概要: A Neuro-Symbolic Framework Combining Inductive and Deductive Reasoning for Autonomous Driving Planning

• arxiv url: http://arxiv.org/abs/2603.12421v1
• Date: Thu, 12 Mar 2026 20:09:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.750464
• Title: A Neuro-Symbolic Framework Combining Inductive and Deductive Reasoning for Autonomous Driving Planning
• Title（参考訳）: 誘導推論と誘導推論を組み合わせた自律走行計画のためのニューロ・シンボリック・フレームワーク
• Authors: Hongyan Wei, Wael AbdAlmageed,
• Abstract要約: 本稿では、厳密な推論をエンドツーエンドのニューラルネットワークにシームレスに統合する新しいニューロシンボリック・トラジェクトリ・プランニング・フレームワークを提案する。 具体的には,Large Language Model (LLM) を用いてシーンルールを動的に抽出する。 また、高いレベルの論理的決定を学習可能な埋め込みベクトルに変換する決定条件の復号化機構も導入する。
• 参考スコア（独自算出の注目度）: 11.4334803806548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing end-to-end autonomous driving models rely heavily on purely data-driven inductive reasoning. This "black-box" nature leads to a lack of interpretability and absolute safety guarantees in complex, long-tail scenarios. To overcome this bottleneck, we propose a novel neuro-symbolic trajectory planning framework that seamlessly integrates rigorous deductive reasoning into end-to-end neural networks. Specifically, our framework utilizes a Large Language Model (LLM) to dynamically extract scene rules and employs an Answer Set Programming (ASP) solver for deterministic logical arbitration, generating safe and traceable discrete driving decisions. To bridge the gap between discrete symbols and continuous trajectories, we introduce a decision-conditioned decoding mechanism that transforms high-level logical decisions into learnable embedding vectors, simultaneously constraining the planning query and the physical initial velocity of a differentiable Kinematic Bicycle Model (KBM). By combining KBM-generated physical baseline trajectories with neural residual corrections, our approach inherently guarantees kinematic feasibility while ensuring a high degree of transparency. On the nuScenes benchmark, our method comprehensively outperforms the state-of-the-art baseline MomAD, reducing the L2 mean error to 0.57 m, decreasing the collision rate to 0.075%, and optimizing trajectory prediction consistency (TPC) to 0.47 m.
• Abstract（参考訳）: 既存のエンドツーエンドの自動運転モデルは、純粋にデータ駆動の帰納的推論に大きく依存している。 この「ブラックボックス」の性質は、複雑なロングテールシナリオにおける解釈可能性と絶対安全保証の欠如につながります。 このボトルネックを克服するために、厳密な推論をエンドツーエンドのニューラルネットワークにシームレスに統合する新しいニューロシンボリックな軌道計画フレームワークを提案する。 具体的には,Large Language Model (LLM) を用いてシーンルールを動的に抽出し,決定論的論理的仲裁の解法としてAnswer Set Programming (ASP) を用いて,安全かつトレーサブルな離散駆動決定を生成する。 離散シンボルと連続軌道のギャップを埋めるため,高レベルの論理的決定を学習可能な埋め込みベクトルに変換する決定条件付き復号化機構を導入し,計画クエリとKBM(Kinematic Bicycle Model)の物理的初期速度を同時に制約する。 KBM生成の物理ベースライン軌道とニューラル残差補正を組み合わせることで,高レベルの透明性を確保しつつ,運動性の実現性を本質的に保証する。 nuScenesベンチマークでは,L2平均誤差を0.57mに,衝突速度を0.075%に,軌道予測整合性(TPC)を0.47mに最適化した。

関連論文リスト

• On the Rate of Convergence of GD in Non-linear Neural Networks: An Adversarial Robustness Perspective [2.268525139011456]
  グラディエント・Descent (GD) の収束ダイナミクスを最小二項分類設定で検討する。 我々は、GDが最適ロバスト性マージンにうまく収束する一方で、この収束は禁断的に遅い速度で起こることを証明した。 我々の理論的保証は、モデルの異なるアクティベーションパターン間でのGD軌道の厳密な解析を通じて導出される。
  論文  参考訳（メタデータ） (2026-03-02T17:13:33Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• AutoDrive-R$^2$: Incentivizing Reasoning and Self-Reflection Capacity for VLA Model in Autonomous Driving [37.260140808367716]
  本稿では,自律運転システムの推論能力と自己回帰能力を両立させる新しいVLAフレームワークであるAutoDrive-R$2$を提案する。 まず,教師付き微調整のための新しいCoTデータセット nuScenesR$2$-6K を提案する。 次に, グループ相対政策最適化(GRPO)アルゴリズムを用いて, 信頼性の高い滑らかさと現実的な軌道計画を実現する。
  論文  参考訳（メタデータ） (2025-09-02T04:32:24Z)
• Game-Theoretic Modeling of Vehicle Unprotected Left Turns Considering Drivers' Bounded Rationality [17.5324678856791]
  車両の左旋回防止シナリオに対する新たな意思決定モデルを提案する。 我々のモデルは、ドライバーの有界合理性を考慮したゲーム理論を統合する。 本研究は,有界有理性を有する車両の意思決定行動に関する貴重な知見に寄与する。
  論文  参考訳（メタデータ） (2025-07-02T02:22:11Z)
• Making Large Language Models Better Planners with Reasoning-Decision Alignment [70.5381163219608]
  マルチモーダリティ強化LLMに基づくエンドツーエンド意思決定モデルを提案する。 ペア化されたCoTと計画結果との推論・決定アライメントの制約を提案する。 提案する大規模言語プランナをRDA-Driverとして推論・決定アライメントする。
  論文  参考訳（メタデータ） (2024-08-25T16:43:47Z)
• Reinforcement Learning with a Terminator [80.34572413850186]
  我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。 我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
  論文  参考訳（メタデータ） (2022-05-30T18:40:28Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)

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。