論文の概要: SARAD: LLM-Based Safety-Aware Hybrid Reinforcement Learning with Collision Prediction for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.28583v1
• Date: Wed, 27 May 2026 15:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.140424
• Title: SARAD: LLM-Based Safety-Aware Hybrid Reinforcement Learning with Collision Prediction for Autonomous Driving
• Title（参考訳）: SARAD: 自動運転のための衝突予測を用いたLLMによる安全対応ハイブリッド強化学習
• Authors: Kangyu Wu, Peng Cui, Guoxi Chen, Ya Zhang,
• Abstract要約: 従来のDeep Reinforcement Learning (DRL)は、安全でないランダムな探索と緩やかな収束に悩まされている。 大規模言語モデル(LLM)は、リアルタイム推論操作に固有の遅延を示す。 本稿では,自律走行のためのLLMとDRLを相乗化する安全対応ハイブリッドフレームワークSARADを提案する。
• 参考スコア（独自算出の注目度）: 22.134329848099142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring both safety and efficiency in decision-making for autonomous driving systems remains a fundamental challenge. Traditional Deep Reinforcement Learning (DRL) suffers from unsafe random exploration and slow convergence, while Large Language Models (LLMs) demonstrate inherent latency in real-time inference operations. To address these limitations, this paper proposes SARAD, a novel safety-aware hybrid framework that synergizes LLMs and DRL for autonomous driving. SARAD substitutes the random exploration of DRL with Retrieval-Augmented Generation (RAG)-enhanced, LLM-guided decisions sourced from a dynamic expert knowledge repository. An attention discriminator is proposed to integrate the prior knowledge of LLMs into DRL policy optimization. A collision predictor module, fine-tuned with historical collision data, is further designed to improve vehicle safety. Extensive experiments show that SARAD achieves significant performance improvements in the Highway-Env simulator, validating the effectiveness of the proposed model in autonomous driving.
• Abstract（参考訳）: 自動運転システムの意思決定における安全性と効率性の確保は、依然として根本的な課題である。 従来のDeep Reinforcement Learning (DRL) は安全でないランダム探索と遅い収束に悩まされ、Large Language Models (LLM) はリアルタイム推論操作に固有の遅延を示す。 これらの制約に対処するために,自動走行のためのLLMとDRLを相乗化する新しい安全対応ハイブリッドフレームワークであるSARADを提案する。 SARAD は DRL のランダムな探索に代えて,動的知識リポジトリをベースとしたRAG(Retrieval-Augmented Generation) 強化,LLM 誘導による決定を行う。 LLMの事前知識をDRLポリシー最適化に組み込むために,注意識別器を提案する。 衝突予測モジュールは、過去の衝突データで微調整され、車両の安全性を向上させるためにさらに設計されている。 大規模な実験により,SARADはハイウェイ-エンヴシミュレータにおいて大幅な性能向上を実現し,提案モデルの有効性を検証した。

関連論文リスト

• Large Multimodal Models for Embodied Intelligent Driving: The Next Frontier in Self-Driving? [68.82027978227008]
  この記事では、この課題に取り組むために、新しいセマンティクスとポリシーの二重駆動型ハイブリッド決定フレームワークを紹介します。 このフレームワークは、意味理解と認知表現のためのLMMと、リアルタイムポリシー最適化のための深層強化学習(DRL)を統合している。 本研究は,車線変更計画作業におけるフレームワークの性能優位性を検証するための事例研究である。
  論文  参考訳（メタデータ） (2026-01-13T11:05:12Z)
• 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)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Towards Safe Autonomous Driving Policies using a Neuro-Symbolic Deep Reinforcement Learning Approach [5.4854443795779355]
  本稿では, DRLSL (DRLSL with Symbolic Logic) と呼ばれる新しいニューロシンボリックモデルフリーDRLアプローチを提案する。 DRL(経験から学ぶ)とシンボリックな一階述語論理(知識駆動推論)の強みを組み合わせることで、実環境における自動運転のリアルタイムインタラクションにおける安全な学習を可能にする。 我々は,ハイDデータセットを用いたハイウェイ走行シナリオにおいてDRLSLフレームワークを実装し,トレーニングとテストの両段階において,安全でない動作を回避できることを実証した。
  論文  参考訳（メタデータ） (2023-07-03T19:43:21Z)

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。