論文の概要: LACO: Adaptive Latent Communication for Collaborative Driving

• arxiv url: http://arxiv.org/abs/2605.22504v1
• Date: Thu, 21 May 2026 13:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.285624
• Title: LACO: Adaptive Latent Communication for Collaborative Driving
• Title（参考訳）: LACO: 協調運転のための適応型潜在コミュニケーション
• Authors: Tianhao Chen, Yuheng Wu, Dongman Lee,
• Abstract要約: 協調運転は、接続された車両が部分的な観測可能性の下で協調できるようにすることで、安全性と効率を向上させることを目的としている。 近年のアプローチは、認知のための視覚的特徴を共有することから、行動調整の基礎モデルを通して言語ベースの推論を交換することへと進化してきた。 複数エージェント設定に固有の制約の下で協調運転における潜時通信を解析する。 LACOは、トレーニング不要のtextbfLAtent textbfCOmmunication パラダイムで、事前学習した運転モデルを協調的な設定にシームレスに適応する。
• 参考スコア（独自算出の注目度）: 4.997764793614285
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Collaborative driving aims to improve safety and efficiency by enabling connected vehicles to coordinate under partial observability. Recent approaches have evolved from sharing visual features for perception to exchanging language-based reasoning through foundation models for behavioral coordination. Though communicating in language provides intuitive information, it introduces two challenges: high latency caused by autoregressive decoding and information loss caused by compressing rich internal representations into discrete tokens. To address these challenges, we analyze latent communication in collaborative driving under inherent limitations of multi-agent settings. Our analysis reveals agent identity confusion, where direct fusion of latent states entangles decision representations across vehicles. Motivated by this, we propose LACO, a training-free \textbf{LA}tent \textbf{CO}mmunication paradigm that seamlessly adapts pretrained driving models to collaborative settings. LACO introduces Iterative Latent Deliberation (ILD) for latent reasoning, Cross-Horizon Saliency Attribution (CHSA) for communication-efficient information selection, and Structured Semantic Knowledge Distillation (SSKD) to stabilize ego-centric decision making. Closed-loop experiments in CARLA show that LACO notably reduces communication and inference latency while maintaining strong collaborative driving performance.
• Abstract（参考訳）: 協調運転は、接続された車両が部分的な観測可能性の下で協調できるようにすることで、安全性と効率を向上させることを目的としている。 近年のアプローチは、認知のための視覚的特徴を共有することから、行動調整の基礎モデルを通して言語ベースの推論を交換することへと進化してきた。 言語でのコミュニケーションは直感的な情報を提供するが、自己回帰的復号化による高いレイテンシと、リッチな内部表現を離散トークンに圧縮することによる情報損失という2つの課題が紹介されている。 これらの課題に対処するため,複数エージェント設定に固有の制約の下で協調運転における潜時コミュニケーションを解析した。 我々の分析では、潜伏状態の直接融合が車両間の決定表現を絡ませるエージェントアイデンティティの混乱が明らかになっている。 LACOは、事前学習した運転モデルを協調的な設定にシームレスに適応する訓練不要な \textbf{LA}tent \textbf{CO}mmunication パラダイムである。 LACOは、潜時推論のための反復潜時検討(ILD)、通信効率の高い情報選択のためのクロスホライゾン・サリエンシ属性(CHSA)、エゴ中心の意思決定を安定させるために構造化セマンティック知識蒸留(SSKD)を導入している。 CARLAでのクローズドループ実験は、LACOが強力な協調運転性能を維持しながら、通信と推論の遅延を顕著に低減していることを示している。

関連論文リスト

• MILD: Mediator Agent System with Bidirectional Perception and Multi-Layered Alignment for Human-Vehicle Collaboration [10.683140163408858]
  エージェントシステムアーキテクチャに基づくMILD(Mediator-in-the-Loop-Driving)システムを導入する。 MILDは、共同キャビンとアウト・オブ・キャビンの理解のための知覚エージェントと、コンプライアンスと説明可能なアクション提案を生成する軽量な戦略エージェントを統合する。 ECPOは自動検証器を利用して、エージェントを正確であるだけでなく、構造的にも完全であり、証拠によって裏付けられ、制約違反のない行動に向けて操る。
  論文  参考訳（メタデータ） (2026-05-02T15:56:59Z)
• Learning to Interact in World Latent for Team Coordination [53.51290193631586]
  本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
  論文  参考訳（メタデータ） (2025-09-29T22:13:39Z)
• Automated Vehicles Should be Connected with Natural Language [10.579888130257185]
  マルチエージェント共同運転は、集合認識と意思決定による交通安全と効率の向上を約束する。 既存の通信媒体は、帯域幅の効率、情報の完全性、エージェントの相互運用性に制限がある。 これらの課題に対処するには、純粋に知覚指向のデータ交換から、自然言語を用いた明示的な意図と推論コミュニケーションへの移行が必要である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-29T16:41:19Z)
• 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)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)

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。