論文の概要: SwarmDrive: Semantic V2V Coordination for Latency-Constrained Cooperative Autonomous Driving
- arxiv url: http://arxiv.org/abs/2604.22852v1
- Date: Wed, 22 Apr 2026 08:02:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.992747
- Title: SwarmDrive: Semantic V2V Coordination for Latency-Constrained Cooperative Autonomous Driving
- Title（参考訳）: SwarmDrive: レイテンシに制約のある協調自動運転のためのセマンティックV2Vコーディネーション
- Authors: Anjie Qiu, Donglin Wang, Zexin Fang, Sanket Partani, Hans D. Schotten,
- Abstract要約: 本稿では,セマンティックなV2V協調フレームワークであるSwarmDriveを紹介する。
SwarmDriveは、不確実性が高い場合にのみ、コンパクトな意図分布を共有し、イベントトリガーによるコンセンサスを通じてそれらを融合する。
以上の結果から, セマンティックエッジの協調作業は, 対象交差点の場合の厳密な遅延制約の下で動作可能であるが, 実際の6Gスタックのデプロイメントグレードの検証ではない。
- 参考スコア（独自算出の注目度）: 28.170123464713782
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud-hosted LLM inference for autonomous driving adds round-trip delay and depends on stable connectivity, while purely local edge models struggle under occlusion. We present SwarmDrive, a semantic Vehicle-to-Vehicle (V2V) coordination framework in which nearby vehicles run local Small Language Models (SLMs), share compact intent distributions only when uncertainty is high, and fuse them through event-triggered consensus. We evaluate SwarmDrive in a 5-seed executable study built around one occluded intersection case, combining matched operating-point comparisons with robustness sweeps. In that setting, SwarmDrive under its 6G communication setting ("Swarm 6G") raises success from 68.9% to 94.1% over a single local SLM while reducing latency from a 510 ms cloud reference to 151.4 ms. However, an increased number of participating vehicles leads to higher communication overhead and packet loss. SwarmDrive also evaluates the impact of swarm-size, packet-loss, and entropy-threshold sweeps and shows that the cooperative gain holds across ablations and is best balanced near an active swarm size of 4 vehicles and an entropy trigger threshold of 0.65 in the current prototype. These results show that semantic edge cooperation can work under tight latency constraints in the targeted intersection case, but they are not a deployment-grade validation of a real 6G stack.
- Abstract（参考訳）: クラウドでホストされる自動運転のためのLLM推論は、ラウンドトリップ遅延を増し、安定した接続性に依存する。
SLM(Small Language Models)を動作させるセマンティックなV2V協調フレームワークであるSwarmDriveについて,不確実性が高い場合にのみコンパクトな意図分布を共有し,イベントトリガーによるコンセンサスを通じてそれらを融合させる。
また,SwarmDriveの動作点比較とロバストネススイープを併用し,一方の閉塞交差点のケースを中心に構築した5列実行可能実験でSwarmDriveを評価した。
この設定では、Swarm 6Gという6G通信環境下でSwarmDriveは、単一のローカルSLM上で68.9%から94.1%に向上し、151.4msまでの510msのクラウド参照からレイテンシを低減した。
SwarmDriveはまた、Swarmサイズ、パケットロス、エントロピースレッショルドスイープの影響を評価し、協力的なゲインがアブレーションを越えて保持され、現在のプロトタイプでアクティブなSwarmサイズとエントロピートリガー閾値0.65の近くに最もバランスが取れていることを示している。
これらの結果から, セマンティックエッジの協調作業は, 対象交差点の場合の厳密な遅延制約の下で動作可能であるが, 実際の6Gスタックのデプロイメントグレードの検証ではない。
関連論文リスト
- CooperDrive: Enhancing Driving Decisions Through Cooperative Perception [11.113244744008844]
CooperDriveは、状況認識を強化し、より早く安全な運転決定を可能にする協調認識フレームワークである。
CooperDriveは検出器のBird's-Eye View(BEV)機能を再利用し、重いエンコーダを追加せずに正確な車両のポーズを推定する。
計画面では、CooperDriveは拡張されたオブジェクトセットを利用して、潜在的な衝突を早期に予測し、速度と軌道を積極的に調整する。
論文 参考訳（メタデータ） (2026-04-15T22:15:50Z) - Quantum Inspired Vehicular Network Optimization for Intelligent Decision Making in Smart Cities [2.449235776276883]
本稿では、車間通信(V2V)と車間通信(V2I)を協調的に最適化する量子インスパイアされたフレームワークQIVNOMを提案する。
その結果、QIVNOMは平均エンドツーエンドのレイテンシを57.3msに減らし、最高のベースラインよりも約20%低くした。
論文 参考訳（メタデータ） (2026-03-26T03:04:50Z) - Edge-Efficient Two-Stream Multimodal Architecture for Non-Intrusive Bathroom Fall Detection [2.669350701173451]
濡れた浴室環境の滝は、高齢者が一人で生活する大きな安全リスクである。
近年の研究では、mWaveのみ、振動のみ、および既存のマルチモーダルスキームがプライバシー保護、非侵襲的な転倒検出をサポートすることが示されている。
本研究では,長距離移動パターンと床振動の処理を行うMotion-Mambaブランチを用いて,レーダ信号を符号化する2ストリームアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-03-17T18:54:21Z) - Less is More: Robust Zero-Communication 3D Pursuit-Evasion via Representational Parsimony [7.6658082440595186]
ばらつきボクセル環境における非対称な3次元追尾回避は,通信遅延,部分観測可能性,非ホロノミック操作制限下では困難である。
経路誘導型分散型追従足場上に構築し,通信自由協調性の向上を図る。
冗長なクロスエージェントチャネルを明示的に切断することで、複合的なエラーカスケードを抑えることができ、レイテンシーが発生しやすいデプロイメントにおけるロバスト性を向上させることができることを示す。
論文 参考訳（メタデータ） (2026-03-09T11:44:04Z) - Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction [0.0]
市内の道路横断グラフ上に道路利用者軌道を表す道路ノード中心の枠組みを導入する。
これらのキューと構造グラフの埋め込みを組み合わせることで、意味的に基底化されたノード表現が得られる。
我々のモデルは6つの最先端のベースラインを最大17ポイントの精度で1ホップで、MRRで10ポイントの精度で上回ります。
論文 参考訳（メタデータ） (2025-08-02T13:47:12Z) - 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) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Robustifying the Deployment of tinyML Models for Autonomous
mini-vehicles [61.27933385742613]
本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。
我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。
CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
論文 参考訳（メタデータ） (2020-07-01T07:54:26Z)
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。