論文の概要: RAD-LAD: Rule and Language Grounded Autonomous Driving in Real-Time
- arxiv url: http://arxiv.org/abs/2603.28522v2
- Date: Tue, 31 Mar 2026 03:25:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:02.461378
- Title: RAD-LAD: Rule and Language Grounded Autonomous Driving in Real-Time
- Title（参考訳）: RAD-LAD:ルールと言語に基づく自動運転
- Abstract要約: 本稿では,リアルタイムな言語行動プランナであるLADについて述べる。
PDM-Closedの構造的制約に対処するルールベースプランナRADも導入した。
- 参考スコア（独自算出の注目度）: 55.54040469015424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present LAD, a real-time language--action planner with an interruptible architecture that produces a motion plan in a single forward pass (~20 Hz) or generates textual reasoning alongside a motion plan (~10 Hz). LAD is fast enough for real-time closed-loop deployment, achieving ~3x lower latency than prior driving language models while setting a new learning-based state of the art on nuPlan Test14-Hard and InterPlan. We also introduce RAD, a rule-based planner designed to address structural limitations of PDM-Closed. RAD achieves state-of-the-art performance among rule-based planners on nuPlan Test14-Hard and InterPlan. Finally, we show that combining RAD and LAD enables hybrid planning that captures the strengths of both approaches. This hybrid system demonstrates that rules and learning provide complementary capabilities: rules support reliable maneuvering, while language enables adaptive and explainable decision-making.
- Abstract（参考訳）: 本稿では,1つのフォワードパス(〜20Hz)で動作計画を生成する,あるいは動作計画(～10Hz)とともにテキスト推論を生成する,割り込み可能なアーキテクチャを備えたリアルタイム言語-アクションプランナであるLADを提案する。
LADはリアルタイムのクローズドループデプロイメントには十分高速で、従来の駆動言語モデルよりも約3倍のレイテンシを実現し、nuPlan Test14-HardとInterPlanで新たな学習ベースの最先端設定を実現している。
PDM-Closedの構造的制約に対処するルールベースプランナRADも導入した。
RADは、nuPlan Test14-HardとInterPlanのルールベースのプランナーの間で、最先端のパフォーマンスを実現している。
最後に、RADとLADを組み合わせることで、両方のアプローチの強みを捉えるハイブリッドプランニングが可能になることを示す。
このハイブリッドシステムは、ルールと学習が補完的な能力を提供することを示す:ルールは信頼できる操作をサポートし、言語は適応的で説明可能な意思決定を可能にする。
関連論文リスト
- Large Language Model Enhanced Differentiable Trajectory Planning for IoT-Enabled Autonomous Driving [26.33691640001489]
本稿では,IoT 対応自動運転のための大規模言語モデル (LLM) 拡張型微分可能軌道計画フレームワークを提案する。
本研究では,サラウンドエージェントトラジェクトリを新たな計画監督として再編成するために,周辺エージェント中心のデータ拡張戦略を導入する。
また、シーン関連高レベルなセマンティック特徴を抽出するために、LLMをベースとした複雑なアシン・アシン・シン・同期のセマンティック・エンハンスメントモジュールを設計する。
論文 参考訳（メタデータ） (2026-07-11T18:43:14Z) - GraphWorld: Long-Horizon Planning with World Models for End-to-End Autonomous Driving [56.50032398571235]
GraphWorldはE2E-ADフレームワークで、潜在世界モデリングを通じて長期計画を明確に強化する。
本研究では,エゴ車と周辺エージェントの相互作用をモデル化することで,エゴ中心の潜在世界表現を学習する世界国家計画を提案する。
この潜在世界状態は、重要な相互作用のダイナミクスと安全関連セマンティクスを捉え、長距離で安全を意識した軌道計画の指針となる条件付け信号として機能する。
論文 参考訳（メタデータ） (2026-06-15T06:26:46Z) - Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。
Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
論文 参考訳（メタデータ） (2026-03-13T05:42:18Z) - VLMPlanner: Integrating Visual Language Models with Motion Planning [18.633637485218802]
VLMPlannerは、学習ベースのリアルタイムプランナと生画像の推論が可能な視覚言語モデル(VLM)を組み合わせたハイブリッドフレームワークである。
我々は,VLMが人間の運転動作を模倣できるコンテキスト適応推論ゲート機構を開発した。
論文 参考訳（メタデータ） (2025-07-27T16:15:21Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios [23.913788819453796]
LiloDriverは、ロングテール自動運転シナリオにおけるクローズドループモーションプランニングのための生涯学習フレームワークである。
知覚、シーンエンコーディング、メモリベースの戦略改善、LLM誘導推論を含む4段階アーキテクチャを備えている。
本研究は、構造化メモリとLCM推論を組み合わせることで、現実の自律運転において、スケーラブルで人間ライクな動作計画を可能にすることの有効性を強調した。
論文 参考訳（メタデータ） (2025-05-22T18:33:08Z) - Diffusion-Based Planning for Autonomous Driving with Flexible Guidance [19.204115959760788]
閉ループ計画のための新しい変圧器ベース拡散プランナを提案する。
本モデルは,予測タスクと計画タスクの協調モデリングを支援する。
様々な運転スタイルで頑健な伝達性を持つ最先端の閉ループ性能を実現する。
論文 参考訳（メタデータ） (2025-01-26T15:49:50Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳（メタデータ） (2023-12-30T02:53:45Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z)
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。