論文の概要: C-TRAIL: A Commonsense World Framework for Trajectory Planning in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2603.29908v1
• Date: Tue, 31 Mar 2026 15:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.759866
• Title: C-TRAIL: A Commonsense World Framework for Trajectory Planning in Autonomous Driving
• Title（参考訳）: C-TRAIL: 自律走行における軌道計画のための共通世界フレームワーク
• Authors: Zhihong Cui, Haoran Tang, Tianyi Li, Yushuai Li, Peiyuan Guan, Amir Taherkordi, Tor Skeie,
• Abstract要約: 自律運転のための軌道計画では、コモンセンス推論のために大規模言語モデル(LLM)をますます活用している。 提案するC-TRAILは,LLM由来のコモンセンスとトラジェクティブ・プランニングのための信頼機構を結合した,コモンセンス・ワールド上に構築されたフレームワークである。
• 参考スコア（独自算出の注目度）: 9.791629094628584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory planning for autonomous driving increasingly leverages large language models (LLMs) for commonsense reasoning, yet LLM outputs are inherently unreliable, posing risks in safety-critical applications. We propose C-TRAIL, a framework built on a Commonsense World that couples LLM-derived commonsense with a trust mechanism to guide trajectory planning. C-TRAIL operates through a closed-loop Recall, Plan, and Update cycle: the Recall module queries an LLM for semantic relations and quantifies their reliability via a dual-trust mechanism; the Plan module injects trust-weighted commonsense into Monte Carlo Tree Search (MCTS) through a Dirichlet trust policy; and the Update module adaptively refines trust scores and policy parameters from environmental feedback. Experiments on four simulated scenarios in Highway-env and two real-world levelXData datasets (highD, rounD) show that C-TRAIL consistently outperforms state-of-the-art baselines, reducing ADE by 40.2%, FDE by 51.7%, and improving SR by 16.9 percentage points on average. The source code is available at https://github.com/ZhihongCui/CTRAIL.
• Abstract（参考訳）: 自律運転のための軌道計画では、コモンセンス推論のために大規模言語モデル(LLM)をますます活用するが、LLM出力は本質的に信頼性が低く、安全クリティカルなアプリケーションにリスクをもたらす。 提案するC-TRAILは,LLM由来のコモンセンスとトラジェクティブ・プランニングのための信頼機構を結合した,コモンセンス・ワールド上に構築されたフレームワークである。 C-TRAILは、クローズドループのリコール、プラン、アップデートのサイクルを通して動作する: リコールモジュールは、セマンティックリレーションをクエリし、デュアルトラスト機構を介して信頼性を定量化する;プランモジュールは、ディリクレ信頼ポリシーを介してモンテカルロ木探索(MCTS)に信頼重み付きコモンセンスを注入する;アップデートモジュールは、環境フィードバックから信頼スコアとポリシーパラメータを適応的に洗練する。 Highway-envの4つのシミュレーションシナリオと2つの実世界のレベルXDataデータセット(highD, rounD)の実験では、C-TRAILは最先端のベースラインを一貫して上回り、ADEを40.2%削減し、FDEを51.7%削減し、SRを平均16.9ポイント改善している。 ソースコードはhttps://github.com/ZhihongCui/CTRAILで入手できる。

関連論文リスト

• MetaClaw: Just Talk -- An Agent That Meta-Learns and Evolves in the Wild [74.7263562191605]
  大規模言語モデル(LLM)エージェントは、複雑なタスクにますます使われている。 既存の方法は、知識を蒸留せずに生の軌跡を保存するか、静的なスキルライブラリを維持するか、または再訓練のために破壊的なダウンタイムを必要とする。 本稿では,基本的なLCMポリシと再利用可能な行動スキルのライブラリを共同で進化させるメタ学習フレームワークであるMetaClawを紹介する。
  論文  参考訳（メタデータ） (2026-03-17T22:30:30Z)
• AnchorDrive: LLM Scenario Rollout with Anchor-Guided Diffusion Regeneration for Safety-Critical Scenario Generation [5.21417478446202]
  AnchorDriveは、2段階の安全クリティカルシナリオ生成フレームワークである。 制御可能で現実的な安全クリティカルなシナリオを生成する。 批判性、リアリズム、制御性において、全体的なパフォーマンスに優れています。
  論文  参考訳（メタデータ） (2026-03-03T02:58:14Z)
• DriveMind: A Dual-VLM based Reinforcement Learning Framework for Autonomous Driving [14.988477212106018]
  DriveMindは、自動運転のためのセマンティック報酬フレームワークである。 平均速度は19.4 +/- 2.3 km/h、経路完了は0.98 +/- 0.03、衝突はゼロに近い。 そのセマンティック報酬は、最小分散シフトでゼロショットから実際のダッシュカムデータを一般化する。
  論文  参考訳（メタデータ） (2025-06-01T03:51:09Z)
• HCRMP: A LLM-Hinted Contextual Reinforcement Learning Framework for Autonomous Driving [4.340881027724334]
  強化学習(RL)を備えた大規模言語モデル(LLM)は、複雑なシナリオにおける自律運転(AD)のパフォーマンスを向上させることができる。 現状のLCMは、本質的な運転関連タスクで評価された場合、約57.95%の非幻覚率を示す。 本稿では,LLMとRLの相対的な独立性を維持することが幻覚問題の解決に不可欠であると主張している。
  論文  参考訳（メタデータ） (2025-05-21T17:47:24Z)
• 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)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Assessing the Reliability of Large Language Model Knowledge [78.38870272050106]
  大規模言語モデル(LLM)は、知識探索タスクにおける高い性能のため、知識ベースとして扱われてきた。 LLMが実際に正しい答えを連続的に生成する能力をどのように評価するか。 LLMの信頼性を直接測定するための新しい指標であるMOdel kNowledge relIabiliTy score (MONITOR)を提案する。
  論文  参考訳（メタデータ） (2023-10-15T12:40:30Z)

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。