論文の概要: Language-Driven Cost Optimization for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2606.10974v1
• Date: Tue, 09 Jun 2026 15:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.054127
• Title: Language-Driven Cost Optimization for Autonomous Driving
• Title（参考訳）: 自律運転のための言語駆動型コスト最適化
• Authors: Diego Martinez-Baselga, Khaled Mustafa, Javier Alonso-Mora,
• Abstract要約: 本研究は,自律運転における適応コスト設計のための言語駆動型フレームワークを提案する。 大規模言語モデル(LLM)は、構造化シナリオ記述と自然言語ユーザクエリを解釈する。 このシステムには、提案した行動変化を非技術言語で記述する、人間によるループ検証段階が組み込まれている。
• 参考スコア（独自算出の注目度）: 15.884773782381346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The driving behavior of autonomous vehicles is typically governed by the cost function of their motion planner, which encodes objectives such as speed tracking, smoothness, lane keeping, and collision avoidance. However, tuning the parameters that shape this cost function is a challenging task that requires technical expertise, limiting the vehicle's ability to adapt to evolving traffic scenarios or end-user preferences. This work presents a language-driven framework for adaptive cost design in autonomous driving. A Large Language Model (LLM) interprets structured scenario descriptions and natural language user queries to generate the parameters applied to a risk-aware Model Predictive Path Integral (MPPI) controller. The system incorporates a human-in-the-loop validation stage in which the proposed behavioral changes are described in non-technical language and confirmed prior to deployment. Users may additionally provide feedback either before or after deployment, enabling iterative refinement of the vehicle's motion behavior. The framework is evaluated across multiple queries in realistic driving scenarios to assess its effectiveness. Simulation results demonstrate that the method successfully induces behavioral changes that align with the intended requirements in an intuitive manner, thereby bridging the gap between intelligent vehicle control systems and end users.
• Abstract（参考訳）: 自動運転車の運転行動は、通常、速度追跡、滑らかさ、車線維持、衝突回避といった目的を符号化する運動プランナーのコスト関数によって制御される。 しかし、このコスト関数を形成するパラメータをチューニングすることは、技術的専門知識を必要とする困難なタスクであり、車両の進化する交通シナリオやエンドユーザの好みに適応する能力を制限する。 本研究は,自律運転における適応コスト設計のための言語駆動型フレームワークを提案する。 LLM(Large Language Model)は、構造化シナリオ記述と自然言語ユーザクエリを解釈し、リスク認識モデル予測パス積分(MPPI)コントローラに適用されたパラメータを生成する。 本システムは,提案した行動変化を非技術言語で記述し,デプロイ前に確認する,ループ内の人間検証段階を含む。 ユーザーは、配備前後にフィードバックを提供し、車両の動きを反復的に改善することができる。 このフレームワークは、現実的な駆動シナリオにおいて複数のクエリで評価され、その有効性を評価する。 シミュレーションの結果,本手法は意図した要件に直感的に適合する行動変化を誘発し,インテリジェントな車両制御システムとエンドユーザーとのギャップを埋めることが実証された。

関連論文リスト

• CarPLAN: Context-Adaptive and Robust Planning with Dynamic Scene Awareness for Autonomous Driving [24.617191209246226]
  CarPLANは、駆動コンテキスト理解を明示的に強化する新しいILベースのモーションプランニングフレームワークである。 変位認識予測一般化(DPE)はモデルの空間認識を改善する。 CMD(Context-adaptive Multi-Expert Decoder)は、さまざまな駆動コンテキストを扱うモデルの能力を改善する。
  論文  参考訳（メタデータ） (2026-03-13T03:22:32Z)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)
• LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [102.1527101235251]
  LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。 自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。 LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-15T17:14:06Z)
• EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
  本研究では,データ駆動型自動車追従モデルを提案する。 本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
  論文  参考訳（メタデータ） (2024-06-23T15:04:07Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Decision-Making for Autonomous Vehicles with Interaction-Aware Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
  本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。 我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。 我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-31T03:31:09Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• How To Not Drive: Learning Driving Constraints from Demonstration [0.0]
  本研究では,人間の運転軌跡から運動計画制約を学習するための新しい手法を提案する。 行動計画は、交通規則に従うために要求される高いレベルの意思決定に責任を負う。 運動プランナーの役割は、自動運転車が従うための実用的で安全な軌道を作り出すことである。
  論文  参考訳（メタデータ） (2021-10-01T20:47:04Z)

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。