論文の概要: PersonaDrive: Human-Style Retrieval-Augmented VLA Agents for Closed-Loop Driving Simulation
- arxiv url: http://arxiv.org/abs/2606.12616v1
- Date: Wed, 10 Jun 2026 19:16:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.426724
- Title: PersonaDrive: Human-Style Retrieval-Augmented VLA Agents for Closed-Loop Driving Simulation
- Title（参考訳）: PersonaDrive: クローズドループ運転シミュレーションのための人間型検索機能付きVLAエージェント
- Authors: Mahmoud Srewa, Praneetsai Iddamsetty, Mohammad Abdullah Al Faruque, Salma Elmalaki,
- Abstract要約: 我々は,人体に指示された運転データセットから抽出したデモに対して,視覚アクション駆動エージェントを条件付けるパイプラインであるPersonaDriveを紹介した。
パイプラインには3つのステージがある: 画像とテキストの類似度スコアの組み合わせによる、スタイルごとの人間の運転データに対するオフラインのトリプルトマイニング、凍結した視覚的特徴とスタイルごとのデータベースに対する小さな制御エンコーダを融合する軽量な検索ヘッドのトレーニング、検索したコンテキストポイントを行動デモとして扱うための単一のVLAバックボーンの微調整。
- 参考スコア（独自算出の注目度）: 9.651475921652052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Closed-loop driving simulators typically populate their environments with non-ego traffic agents that behave largely the same way, produced either by rule-based traffic managers or by learned models trained toward a single behavioral mode. Recent work introduces style variation through post-hoc labels on observational data or LLM-inferred reward weights, but these signals act as proxies for what a style should reward rather than demonstrations of humans explicitly asked to drive in that style. We introduce PersonaDrive, a pipeline that conditions a vision-language-action (VLA) driving agent on retrieved demonstrations from a style-instructed human driving dataset, in which participants drive CARLA leaderboard routes under aggressive, neutral, and conservative instructions on a driver-in-the-loop rig. The pipeline has three stages: (i) offline triplet mining over per-style human driving data using a combined image-text similarity score; (ii) training a lightweight retrieval head that fuses frozen visual features with a small control encoder over per-style databases; and (iii) fine-tuning a single VLA backbone to treat retrieved context points as in-context behavioral demonstrations during waypoint prediction. At inference, the same backbone is conditioned on any style by swapping which per-style database the retrieval head queries, so selecting a style requires no per-style retraining while enabling human-style, style-diverse non-ego agents for closed-loop simulation. On Bench2Drive, PersonaDrive (no style) improves the driving score by 4.6% over SimLingo and 2.5% over HiP-AD, and under style conditioning attains the highest driving score in every style within a roughly 2% band (its weakest style surpassing the strongest baseline, DMW, by 5.4%), while average speed and acceleration rise by 18% and 25% from the conservative to the aggressive instruction.
- Abstract（参考訳）: クローズドループ駆動シミュレータは通常、ルールベースのトラフィックマネージャや、単一の行動モードに向けてトレーニングされた学習モデルによって生成される、ほとんど同じように振る舞う非エゴトラフィックエージェントで環境をポップアップさせる。
近年の研究では、観測データやLLMによる報酬重み付けのポストホックラベルによるスタイル変化が紹介されているが、これらの信号は、そのスタイルを明示的に運転するよう要求された人間のデモンストレーションよりも、どのようなスタイルに報酬を与えるべきかのプロキシとして機能している。
このパイプラインでは、参加者がCARLAリーダーボードのルートを攻撃的で中立的で保守的な指示で運転者用リグで駆動する、スタイル指示された人間の運転データセットから取得したデモを、視覚言語アクション(VLA)駆動エージェントで処理する。
パイプラインには3つのステージがあります。
一 画像・テキスト類似度スコアの組み合わせによる運転データによるオフライントリプルトマイニング
二 凍結した視覚特徴と小制御エンコーダとを融合した軽量検索ヘッドの訓練、及び
3)1つのVLAバックボーンを微調整して,検索したコンテキストポイントを,ウェイポイント予測中のコンテキスト内行動実証として扱う。
推論において、同じバックボーンは検索ヘッドクエリのスタイルごとのデータベースをスワップすることで任意のスタイルで条件付けされるため、クローズドループシミュレーションのためにヒトスタイルの異なる非エゴエージェントを有効にしながら、スタイルの選択はスタイルごとのトレーニングを必要としない。
ベンチ2ドライブでは、ペルソナドライブ(スタイルなし)はシムリンゴより4.6%、HiP-ADより2.5%のドライブスコアを向上し、スタイルコンディショニングでは、約2%のバンド(最も強いベースラインであるDMWを5.4%上回る弱いスタイル)で全てのスタイルで最高駆動スコアを獲得し、平均速度とアクセラレーションは保守派から攻撃的な指示まで18%と25%上昇する。
関連論文リスト
- MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - GSDrive: Reinforcing Driving Policies by Multi-mode Trajectory Probing with 3D Gaussian Splatting Environment [6.425301529118419]
E2E(End-to-end autonomous driving)は、知覚入力を直接駆動動作に変換するための有望なアプローチである。
GSDriveは,E2E駆動ポリシーの改善において,3次元ガウシアンスプラッティング(3DGS)を微分可能な物理ベースの報酬形成に活用するフレームワークである。
論文 参考訳（メタデータ） (2026-04-30T16:59:07Z) - Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models [50.22099309218635]
自律運転においては、閉ループ評価はオープンループ評価よりも信頼性の高い検証方法として広く認識されている。
本稿では,VLM駆動における閉ループ評価を実現するBench2Drive-VLについて述べる。
論文 参考訳（メタデータ） (2026-04-01T11:38:46Z) - StyleVLA: Driving Style-Aware Vision Language Action Model for Autonomous Driving [8.903468887918754]
StyleVLAは物理インフォームされたVLAフレームワークで、多種多様な物理的に妥当な運転行動を生成する。
我々は,1.2k以上のシナリオ,76k Bird's Eye View (BEV) サンプル,42k First Person View (FPV) サンプルを用いた大規模インストラクションデータセットを構築した。
実験の結果、StyleVLAはプロプライエタリなモデルや最先端のVLAモデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-03-10T10:33:58Z) - RoaD: Rollouts as Demonstrations for Closed-Loop Supervised Fine-Tuning of Autonomous Driving Policies [30.632104005565832]
ロールアウト・アズ・デモレーション(RoaD)は、クローズドループにおける自律運転ポリシーのトレーニングにおいて、共変量シフトを軽減する方法である。
ロールアウト生成の間、RoaDは高品質な振る舞いに対するバイアス軌道に関する専門家のガイダンスを取り入れ、微調整のための情報的かつ現実的なデモンストレーションを生み出した。
本稿では,大規模な交通シミュレーションベンチマークであるWOSACにおけるRoaDの有効性を示す。
論文 参考訳（メタデータ） (2025-12-01T18:52:03Z) - TrafficBots V1.5: Traffic Simulation via Conditional VAEs and Transformers with Relative Pose Encoding [59.339735703856924]
TrafficBots V1.5は、トラフィックエージェントのクローズドループシミュレーションのベースライン手法である。
オープン・シム・エージェント・チャレンジ(WOSAC)2024で3位を獲得した。
論文 参考訳（メタデータ） (2024-06-16T11:20:49Z) - Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。
実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
論文 参考訳（メタデータ） (2024-03-28T17:19:16Z) - Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data [40.43737902900321]
性能データを駆動する作業負荷推定の問題に対処する。
心的負荷を誘発する主要な環境要因をビデオ解析により同定する。
教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
論文 参考訳（メタデータ） (2023-03-26T13:15:44Z) - Policy Pre-training for End-to-end Autonomous Driving via
Self-supervised Geometric Modeling [96.31941517446859]
PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。
本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。
第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。
第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
論文 参考訳（メタデータ） (2023-01-03T08:52:49Z) - Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。
世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。
提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文 参考訳（メタデータ） (2021-05-03T05:55:30Z)
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。