論文の概要: Dual-Stage LLM Framework for Scenario-Centric Semantic Interpretation in Driving Assistance

• arxiv url: http://arxiv.org/abs/2603.27536v1
• Date: Sun, 29 Mar 2026 06:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.011415
• Title: Dual-Stage LLM Framework for Scenario-Centric Semantic Interpretation in Driving Assistance
• Title（参考訳）: 運転支援システムにおけるシナリオ中心意味解釈のためのデュアルステージLLMフレームワーク
• Authors: Jean Douglas Carvalho, Hugo Taciro Kenji, Ahmad Mohammad Saber, Glaucia Melo, Max Mauro Dias Santos, Deepa Kundur,
• Abstract要約: 本稿では,都市交通におけるリスク推論の再現可能な監査のためのシナリオ中心の枠組みを提案する。 LLMに基づく推論を安全に整合した運転支援システムに統合する場合、シナリオ中心の監査と明示的なあいまいさ管理の重要性を強調している。
• 参考スコア（独自算出の注目度）: 3.7098231493739764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced Driver Assistance Systems (ADAS) increasingly rely on learning-based perception, yet safety-relevant failures often arise without component malfunction, driven instead by partial observability and semantic ambiguity in how risk is interpreted and communicated. This paper presents a scenario-centric framework for reproducible auditing of LLM-based risk reasoning in urban driving contexts. Deterministic, temporally bounded scenario windows are constructed from multimodal driving data and evaluated under fixed prompt constraints and a closed numeric risk schema, ensuring structured and comparable outputs across models. Experiments on a curated near-people scenario set compare two text-only models and one multimodal model under identical inputs and prompts. Results reveal systematic inter-model divergence in severity assignment, high-risk escalation, evidence use, and causal attribution. Disagreement extends to the interpretation of vulnerable road user presence, indicating that variability often reflects intrinsic semantic indeterminacy rather than isolated model failure. These findings highlight the importance of scenario-centric auditing and explicit ambiguity management when integrating LLM-based reasoning into safety-aligned driver assistance systems.
• Abstract（参考訳）: Advanced Driver Assistance Systems (ADAS) は、学習に基づく認識にますます依存しているが、安全関連障害はコンポーネントの誤動作なしに発生し、その代わりに、部分的な可観測性とリスクの解釈と伝達方法に関する意味的曖昧さによって引き起こされることが多い。 本稿では, LLMに基づくリスク推論の再現可能な監査のためのシナリオ中心のフレームワークを提案する。 決定論的かつ時間的に制限されたシナリオウィンドウは、マルチモーダル駆動データから構築され、固定されたプロンプト制約とクローズドな数値リスクスキーマの下で評価され、モデル全体の構造的および同等の出力が確保される。 キュレートされた近親者のシナリオセットの実験では、2つのテキストのみのモデルと1つのマルチモーダルモデルを同一の入力とプロンプトで比較した。 その結果、重度の割り当て、リスクの高いエスカレーション、エビデンスの使用、因果属性の系統的なモデル間差異が明らかになった。 診断は、脆弱な道路利用者の存在の解釈にまで拡張され、可変性は分離されたモデル失敗よりも本質的な意味的不確定性をしばしば反映していることを示している。 これらの知見は, LLMに基づく推論を安全対応運転支援システムに組み込む際に, シナリオ中心の監査と明示的なあいまいさ管理の重要性を浮き彫りにした。

関連論文リスト

• SG-CADVLM: A Context-Aware Decoding Powered Vision Language Model for Safety-Critical Scenario Generation [8.490714399662453]
  本稿では、コンテキスト認識デコーディングとマルチモーダルな入力処理を統合し、安全クリティカルなシナリオを生成するフレームワークであるSG-CADVLMを提案する。 このフレームワークは、道路形状と車両軌道の同時生成を可能にしながら、VLM幻覚の問題を緩和する。
  論文  参考訳（メタデータ） (2026-01-26T12:53:12Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• 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)
• When Safe Unimodal Inputs Collide: Optimizing Reasoning Chains for Cross-Modal Safety in Multimodal Large Language Models [50.66979825532277]
  我々は、クロスモーダルチャレンジに適した解釈可能な推論パスを備えた最初のデータセットであるSSUI(Safe-Semantics-but-Unsafe-Interpretation)を紹介した。 新たなトレーニングフレームワークであるSRPO(Safety-Aware Reasoning Path Optimization)も、SSUIデータセットに基づいて設計されている。 実験の結果, SRPO学習モデルでは, キーセーフティベンチマークで最先端の結果が得られた。
  論文  参考訳（メタデータ） (2025-09-15T15:40:58Z)
• Case-based Reasoning Augmented Large Language Model Framework for Decision Making in Realistic Safety-Critical Driving Scenarios [1.5367554212163714]
  本稿では,ケースベース推論拡張大言語モデル(CBR-LLM)フレームワークを提案する。 本手法は,ダッシュカム映像からのセマンティックシーン理解と,関連する過去の運転事例の検索を統合する。 実験により、我々のフレームワークは意思決定の正確さ、品質の正当化、および人間の専門家の行動との整合性を改善することが示された。
  論文  参考訳（メタデータ） (2025-06-25T15:19:25Z)
• From Words to Collisions: LLM-Guided Evaluation and Adversarial Generation of Safety-Critical Driving Scenarios [6.681744368557208]
  大規模言語モデル(LLM)と構造化シナリオ解析と迅速なエンジニアリングは、安全クリティカルな運転シナリオを生成するために使用される。 2次元シミュレーションフレームワークと複数の事前学習LDMを用いて,本手法の有効性を検証した。 ドメインインフォームドプロンプト技術を備えたLLMは、安全クリティカルな運転シナリオを効果的に評価し、生成することができると結論付けている。
  論文  参考訳（メタデータ） (2025-02-04T09:19:13Z)
• Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
  大規模言語モデル(LLM)は自動運転において有望であることを示している。 本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。 我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
  論文  参考訳（メタデータ） (2024-11-25T16:38:17Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)

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。