論文の概要: DrivingAgent: Design and Scheduling Agents for Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2606.12236v2
- Date: Thu, 11 Jun 2026 01:12:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 13:39:59.690289
- Title: DrivingAgent: Design and Scheduling Agents for Autonomous Driving Systems
- Title（参考訳）: DrivingAgent:自律運転システムのための設計とスケジューリングエージェント
- Authors: Zhongyu Xia, Wenhao Chen, Yongtao Wang, Ming-Hsuan Yang,
- Abstract要約: 本稿では,自律運転システム設計とスケジューリングという2つの課題に対応する新しいエージェントフレームワークであるDrivingAgentを提案する。
デザインフェーズでは、DrivingAgentはシステムアーキテクチャを解釈し、コードを生成し、スーパーネットワークトレーニングを通じてモジュールを検証することで、モジュール開発を自動化する。
スケジューリングフェーズでは、リアルタイムにシステムモジュールを動的にオーケストレーションするために強化学習で訓練された軽量LLMを使用し、長期記憶とタイムスタンプ付き短期コンテキストを統合した構造化メモリがサポートされている。
- 参考スコア（独自算出の注目度）: 44.93698347738791
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many autonomous driving systems are increasingly incorporating foundation models to improve generalization and handle long-tail scenarios. However, this trend introduces two key challenges: (i) the manual and labor-intensive process of designing and integrating new models, and (ii) the lack of intelligent, dynamic scheduling mechanisms to meet strict real-time constraints. While Large Language Model (LLM)-based agents offer a promising avenue for automation, existing frameworks are ill-suited for autonomous driving. Specifically, they fail to distinguish between the fundamentally different requirements of system design and real-time scheduling, treat modules as opaque black boxes, and are not designed for continuous operation. To address these limitations, we propose DrivingAgent, a novel agent framework tailored to the dual challenges of autonomous driving system design and scheduling. In the design phase, DrivingAgent automates module development by interpreting system architecture, generating code, and validating modules via super-network training. In the scheduling phase, it employs a lightweight LLM trained with reinforcement learning to dynamically orchestrate system modules in real time, supported by a structured memory that integrates long-term storage with timestamped short-term context. Experimental results demonstrate that DrivingAgent achieves a superior speed--accuracy trade-off on both the nuScenes and Bench2Drive benchmarks.
- Abstract（参考訳）: 多くの自律運転システムは、一般化の改善とロングテールシナリオの処理のために、ファンデーションモデルをますます取り入れている。
しかし、この傾向は2つの大きな課題をもたらす。
一 新規モデルを設計し、統合する手作業及び労働集約の過程
(2)厳格なリアルタイム制約を満たすためのインテリジェントで動的なスケジューリング機構の欠如。
大きな言語モデル(LLM)ベースのエージェントは自動化のための有望な道を提供するが、既存のフレームワークは自動運転に不適である。
具体的には、システム設計とリアルタイムスケジューリングの基本的な要件を区別できず、モジュールを不透明なブラックボックスとして扱い、継続的な操作のために設計されていない。
これらの制約に対処するため,自律運転システム設計とスケジューリングの2つの課題に合わせた新しいエージェントフレームワークであるDrivingAgentを提案する。
デザインフェーズでは、DrivingAgentはシステムアーキテクチャを解釈し、コードを生成し、スーパーネットワークトレーニングを通じてモジュールを検証することで、モジュール開発を自動化する。
スケジューリングフェーズでは、リアルタイムにシステムモジュールを動的にオーケストレーションするために強化学習で訓練された軽量LLMを使用し、長期記憶とタイムスタンプ付き短期コンテキストを統合した構造化メモリがサポートされている。
実験の結果, DrivingAgent は nuScenes と Bench2Drive のベンチマークにおいて, 高精度なトレードオフを実現することができた。
関連論文リスト
- OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。
トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。
エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T07:50:00Z) - Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning [42.15812524999639]
Agentic Fast-Slow Planning(エージェント・ファスト・スロー・プランニング)は、知覚、推論、計画、そして自然の時間スケールをまたいだ制御を分離する階層的なフレームワークである。
エージェント高速スロープランニングは摂動下での堅牢性を向上し、純粋なMPCおよびA*誘導MPCベースラインと比較して、横方向偏差を最大45%減らし、完了時間を12%以上短縮することを示した。
論文 参考訳（メタデータ） (2026-04-02T06:34:29Z) - Loosely-Structured Software: Engineering Context, Structure, and Evolution Entropy in Runtime-Rewired Multi-Agent Systems [9.34019956999278]
堅牢なマルチエージェントシステムの構築には、不確実性の下で複雑性を管理するアーキテクチャに重点を置くエンジニアリングの規律が必要である。
本稿では,決定論的論理の構成から実行時エントロピーの管理へと,工学的焦点を移すソフトウェアシステムであるemphLoosely-Structured Software (LSS)を紹介する。
論文 参考訳（メタデータ） (2026-03-16T02:07:34Z) - AROLA: A Modular Layered Architecture for Scaled Autonomous Racing [0.6372261626436676]
この作業において、AROLAはモジュラーで階層化されたソフトウェアアーキテクチャとして導入され、断片化およびモノリシックな設計は、標準化されたROS 2インターフェイスを介して接続される交換可能なレイヤとコンポーネントに再編成される。
自動運転パイプラインは、センサー、前処理、知覚、ローカライゼーションとマッピング、計画、行動、制御、動作に分解される。
ラップタイミング、軌道品質、計算負荷をリアルタイムで記録し、標準化後追跡分析を生成する軽量システムとしてRace Monitorフレームワークが導入された。
論文 参考訳（メタデータ） (2026-02-02T19:46:34Z) - A Lightweight Modular Framework for Constructing Autonomous Agents Driven by Large Language Models: Design, Implementation, and Applications in AgentForge [1.932555230783329]
LLM駆動の自律エージェントの構築を民主化するために設計された軽量でオープンソースのPythonフレームワーク。
AgentForgeは、(1)正式に定義された入出力契約できめ細かいタスク分解を可能にする構成可能なスキル抽象化、(2)クラウドベースのAPIとローカル推論エンジンのシームレスな切り替えをサポートする統一されたバックエンドインターフェース、(3)エージェントロジックと実装の詳細を分離する宣言型YAMLベースの構成システムである。
論文 参考訳（メタデータ） (2026-01-19T20:33:26Z) - SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。
トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
論文 参考訳（メタデータ） (2026-01-09T08:55:42Z) - AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving [71.55254573283793]
既存のアプローチでは、Large Language Modelsを頻繁に起動し、過剰な計算オーバーヘッドを引き起こすか、固定スケジュールを使用するかのいずれかである。
我々は,LLMが意思決定にいつ,どのように貢献するかを最適に決定する,適応的に協調的なスローファストフレームワークであるAdaDriveを提案する。
AdaDriveは、リアルタイムのパフォーマンスを損なうことなく、意思決定の精度を最大化するフレキシブルでコンテキスト対応のフレームワークを提供する。
論文 参考訳（メタデータ） (2025-11-09T07:05:03Z) - Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。
既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。
単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
論文 参考訳（メタデータ） (2025-05-28T14:03:02Z) - FASIONAD : FAst and Slow FusION Thinking Systems for Human-Like Autonomous Driving with Adaptive Feedback [15.805379735361862]
本稿では,認知モデル "Thinking, Fast and Slow" に触発された新しいデュアルシステムフレームワークであるFASIONADを提案する。
高速システムは、高速でデータ駆動の経路計画を使用してルーチンナビゲーションタスクを処理し、遅いシステムは、困難な状況や不慣れな状況における複雑な推論と意思決定に重点を置いている。
高速システムによって生成された視覚的プロンプトは、低速システムにおける人間のような推論を可能にし、高速システムの意思決定を強化するための高品質なフィードバックを提供する。
論文 参考訳（メタデータ） (2024-11-27T03:14:16Z)
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。