論文の概要: Steins;Gate Drive: Semantic Safety Arbitration over Structured Futures for Latency-Decoupled LLM Planning

• arxiv url: http://arxiv.org/abs/2605.22456v1
• Date: Thu, 21 May 2026 13:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.27001
• Title: Steins;Gate Drive: Semantic Safety Arbitration over Structured Futures for Latency-Decoupled LLM Planning
• Title（参考訳）: ステイン;ゲートドライブ:LLM計画のための構造的未来に対するセマンティック・セーフ・アロケーション
• Authors: Anjie Qiu, Hans D. Schotten,
• Abstract要約: SteinsGateDriveは遅延分離型プランナーランタイムアーキテクチャである。 本稿では,遅延分離型プランナーランタイムアーキテクチャであるSteinsGateDriveを紹介する。
• 参考スコア（独自算出の注目度）: 4.025443168660699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud-hosted LLM driver agents provide useful semantic judgments, but their inference latency exceeds stepwise vehicle-control windows. Learned world models predict futures, but they usually keep future generation and action selection inside large coupled loops. We present SteinsGateDrive, a latency-decoupled planner-runtime architecture in which the worldline metaphor from the eponymous story names one plausible consequence of an intervention: the LLM selects counterfactual driving futures before the final control instant, and a runtime reuses the selected forecast only while safety contracts remain valid. The generator builds three world-line roles: alpha nominal ego-conditioned futures, beta interaction counterfactuals around nearby vehicles, and gamma hazard-stress futures such as braking, cut-ins, or blocked corridors. The selected branch becomes a typed StrategicForecast with horizon, validity/abort conditions, fallback, and authority. On a within-subject, matched-seed normal-highway protocol with 10 seeds and 20 steps, GPT-5.4 mini reduces effective lag from +3.07 s at 1-second horizon to -0.01 s at 4-second horizon while preserving the measured no-collision safety boundary. The architecture's safety contribution comes from the atom-predicate runtime check, not from the drift score, which functions as a refresh-frequency knob.
• Abstract（参考訳）: クラウドにホストされたLLMドライバエージェントは、セマンティックな判断に役立ちますが、その推論遅延は、段階的に車両制御ウィンドウを超えます。 学習された世界モデルは未来を予測するが、それらは通常、大きな結合ループ内に将来の生成とアクションの選択を保持する。 我々はSteinsGateDriveを紹介した。これは遅延分離型プランナーランタイムアーキテクチャで、匿名ストーリーから世界ラインのメタファが介入のもっともらしい結果である: LLMは最終制御直前に偽の運転先を選択し、ランタイムは選択した予測を、安全契約が有効である間だけ再利用する。 このジェネレータは3つの世界線の役割を担っている:アルファ・ナチュラル・エゴコンディショニング・フューチャー、近くの車両周辺のベータ・インタラクション・カウンターファクト、そしてブレーキ、カットイン、またはブロックされた廊下のようなガンマハザード・ストレス・フューチャー。 選択されたブランチは、水平線、妥当性/吸収条件、フォールバック、権限を備えた型付きStrategicForecastになる。 GPT-5.4 miniでは、1秒の地平線で+3.07 sから4秒の地平線で-0.01 sまで、測定された非衝突安全境界を保ちながら有効ラグを減少させる。 アーキテクチャの安全性への貢献は、リフレッシュ周波数ノブとして機能するドリフトスコアからではなく、原子述のランタイムチェックから来ている。

関連論文リスト

• Temporal Attention for Adaptive Control of Euler-Lagrange Systems with Unobservable Memory [1.2891210250935148]
  本稿では,自己注意ブロックによって演算トルク制御器の利得が生成されるメタ制御アーキテクチャを提案する。 注意頭数は、記憶状態勾配の代理解析によりポリシートレーニングの前に選択される。 この手法は非線形摩擦と可変ペイロードを持つ2-DOFマニピュレータで試験される。
  論文  参考訳（メタデータ） (2026-05-07T19:25:18Z)
• 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)
• Accident Anticipation via Temporal Occurrence Prediction [15.813749445439292]
  事故予測は、潜在的な衝突をオンラインで予測することを目的としており、タイムリーな警報によって道路の安全性を高めることができる。 既存の手法では、リスクの指標としてフレームレベルのリスクスコアを予測するのが一般的である。 本稿では,予測対象を現在のフレームリスクスコアから,将来の複数段階における事故スコアを直接推定するパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-25T11:57:22Z)
• 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)
• SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
  SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。 本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
  論文  参考訳（メタデータ） (2025-08-14T12:02:41Z)
• Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
  Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2025-03-15T07:42:27Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• TNT: Target-driveN Trajectory Prediction [76.21200047185494]
  我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。 我々は、車や歩行者の軌道予測をベンチマークする。 私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2020-08-19T06:52:46Z)

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。