論文の概要: Towards Lawful Autonomous Driving: Deriving Scenario-Aware Driving Requirements from Traffic Laws and Regulations

• arxiv url: http://arxiv.org/abs/2604.24562v1
• Date: Mon, 27 Apr 2026 14:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.102189
• Title: Towards Lawful Autonomous Driving: Deriving Scenario-Aware Driving Requirements from Traffic Laws and Regulations
• Title（参考訳）: 法的な自律運転に向けて:交通法と規制からシナリオ対応運転要件を導出する
• Authors: Bowen Jian, Rongjie Yu, Hong Wang, Liqiang Wang, Zihang Zou,
• Abstract要約: 交通法や規制の遵守は、人間のドライバーにとって基本的な要件であるが、自動運転車(AV)は、様々な現実のシナリオにおいてこれらの要件に違反する可能性がある。 本稿では,階層的セマンティクスを符号化するノードワイドアンカーを通じて,交通シナリオの分類を推論する新しいパイプラインを提案する。 本手法は,法-シナリオマッチングの精度を29.1%向上させ,それぞれ36.9%,38.2%向上させる。
• 参考スコア（独自算出の注目度）: 9.690981877708461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving in compliance with traffic laws and regulations is a basic requirement for human drivers, yet autonomous vehicles (AVs) can violate these requirements in diverse real-world scenarios. To encode law compliance into AV systems, conventional approaches use formal logic languages to explicitly specify behavioral constraints, but this process is labor-intensive, hard to scale, and costly to maintain. With recent advances in artificial intelligence, it is promising to leverage large language models (LLMs) to derive legal requirements from traffic laws and regulations. However, without explicitly grounding and reasoning in structured traffic scenarios, LLMs often retrieve irrelevant provisions or miss applicable ones, yielding imprecise requirements. To address this, we propose a novel pipeline that grounds LLM reasoning in a traffic scenario taxonomy through node-wise anchors that encode hierarchical semantics. On Chinese traffic laws and OnSite dataset (5,897 scenarios), our method improves law-scenario matching by 29.1\% and increases the accuracy of derived mandatory and prohibitive requirements by 36.9\% and 38.2\%, respectively. We further demonstrate real-world applicability by constructing a law-compliance layer for AV navigation and developing an onboard, real-time compliance monitor for in-field testing, providing a solid foundation for future AV development, deployment, and regulatory oversight.
• Abstract（参考訳）: 交通法や規制の遵守は、人間のドライバーにとって基本的な要件であるが、自動運転車(AV)は、様々な現実のシナリオにおいてこれらの要件に違反する可能性がある。 法コンプライアンスをAVシステムにエンコードするために、従来の手法では、形式論理言語を使用して行動制約を明示的に指定するが、このプロセスは労働集約的で、スケールが難しく、メンテナンスにコストがかかる。 近年の人工知能の進歩により、大型言語モデル(LLM)を活用して、交通法や規制から法的要件を導出することを約束している。 しかしながら、構造化された交通シナリオにおいて明確な根拠や推論を伴わずに、LLMは無関係な規定を回収したり、適用可能なものを見逃したりし、不正確な要求を生じることがある。 そこで本稿では,階層的意味論を符号化するノードワイドアンカーを通じて,交通シナリオの分類におけるLCM推論を基礎とする新しいパイプラインを提案する。 中国の交通法とOnSiteデータセット(シナリオ5,897件)では、法シナリオマッチングを29.1\%改善し、それぞれ36.9\%と38.2\%の精度を向上する。 さらに,将来的なAV開発,展開,規制監視の基盤として,AVナビゲーションの法則準拠レイヤを構築し,フィールド内テストのためのリアルタイムコンプライアンスモニタを開発することで,実世界の適用性をさらに実証する。

関連論文リスト

• SteerVLA: Steering Vision-Language-Action Models in Long-Tail Driving Scenarios [104.10555123175055]
  自律運転における基本的な課題は、ロングテールイベントに対する高レベルなセマンティック推論と、ロバストな運転のための低レベルでリアクティブな制御の統合である。 本稿では,視覚-言語-行動駆動ポリシーを操る細粒度言語命令を生成するSteerVLAを提案する。 我々は、SteerVLAを挑戦的なクローズドループベンチマークで評価し、運転スコア全体の4.77ポイント、ロングテールサブセットの8.04ポイントで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2026-02-09T09:54:02Z)
• LSRE: Latent Semantic Rule Encoding for Real-Time Semantic Risk Detection in Autonomous Driving [14.484350661315212]
  潜在セマンティックルールフレームワークは、スパースサンプリングされたVLM判断を、繰り返し世界モデルの潜在空間内の決定境界に変換する。 CARLAにおける6つのセマンティック障害シナリオの実験は、LSREが大きなVLMベースラインに匹敵するセマンティックリスク検出精度を得ることを示した。 LSREはさらに、セマンティック類似のテストケースがほとんど見られないように一般化し、言語誘導潜在分類が自律運転におけるセマンティックセーフティ監視に効果的でデプロイ可能なメカニズムを提供することを示している。
  論文  参考訳（メタデータ） (2025-12-31T08:27:10Z)
• 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)
• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• 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)
• Driving with Regulation: Interpretable Decision-Making for Autonomous Vehicles with Retrieval-Augmented Reasoning via LLM [11.725133614445093]
  この研究は、自動運転車の解釈可能な意思決定の枠組みを示す。 我々は、検索型拡張生成(RAG)に基づく交通規制検索(TRR)エージェントを開発する。 検索したルールの意味的な複雑さを考えると、我々はLarge Language Model (LLM)を利用した推論モジュールも設計する。
  論文  参考訳（メタデータ） (2024-10-07T05:27:22Z)
• Provable Traffic Rule Compliance in Safe Reinforcement Learning on the Open Sea [8.017543518311196]
  強化学習(Reinforcement Learning, RL)は、自動運転車の運動計画を見つけるための有望な方法である。 提案手法は,時間論理仕様をRLに組み込むことにより,規則遵守の保証を実現する。 重要な海上交通状況に関する数値的な評価では、我々のエージェントは常に形式化された法規に準拠し、決して衝突しない。
  論文  参考訳（メタデータ） (2024-02-13T14:59:19Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)

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。