論文の概要: An LLM-Explainable DRL Framework for Passenger-Directed Autonomous Driving

• arxiv url: http://arxiv.org/abs/2606.20640v1
• Date: Tue, 02 Jun 2026 15:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 20:47:11.333853
• Title: An LLM-Explainable DRL Framework for Passenger-Directed Autonomous Driving
• Title（参考訳）: 乗客指向自動運転のためのLCM記述可能なDRLフレームワーク
• Abstract要約: この研究は、適応駆動制御のための深層強化学習(DRL)と、大規模言語モデル(LLM)に基づく説明可能性モジュールを組み合わせる。 DRLエージェントは、Dueling Double Deep Q-Networkを使用して、異なる駆動要求に従うためにシミュレーションで訓練された。 LLMモジュールは、乗客の要求を解釈し、いつ説明が必要かを判断し、簡潔で安全性を重視した正当化を生成するために導入された。
• 参考スコア（独自算出の注目度）: 2.0646127669654826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles offer the potential for safer and more efficient mobility, yet public trust remains limited due to the lack of transparency in their decision-making. This work addresses this issue by combining deep reinforcement learning (DRL) for adaptive driving control with large language model (LLM)-based explainability modules designed to communicate agent behavior to passengers. DRL agents were trained in simulation using a Dueling Double Deep Q-Network to follow distinct driving requests: \textit{fast}, \textit{comfort}, and \textit{stop}. They demonstrated stable learning, safe compliance with traffic rules, and reliable switching between modes within a single trip. In parallel, LLM modules were introduced to interpret passenger requests, determine when explanations were needed, and generate concise, safety-oriented justifications. Results show that this framework, serving as a proof of concept for integrating RL decision-making and LLMs, balances safety, adaptability, and explainability, and is most effective when requests are delayed or overridden due to safety constraints.
• Abstract（参考訳）: 自動運転車はより安全で効率的な移動手段を提供するが、公共の信頼は意思決定における透明性の欠如のために限られている。 本研究は、適応駆動制御のための深層強化学習(DRL)と大型言語モデル(LLM)に基づく説明可能性モジュールを組み合わせることでこの問題に対処する。 DRLエージェントは、Dueling Double Deep Q-Networkを使用してシミュレーションでトレーニングされ、異なる駆動要求に従う。 彼らは安定した学習、交通規則の遵守、そして1回のトリップでモード間を確実に切り替えることを示した。 並行して、LCMモジュールが導入され、乗客の要求を解釈し、いつ説明が必要かを判断し、簡潔で安全性を重視した正当化を生成する。 その結果, この枠組みは, 安全性, 適応性, 説明可能性のバランスを保ち, 安全性の制約により要求が遅れたりオーバーライドした場合に最も効果的であることが示唆された。

関連論文リスト

• Harnessing Textual Refusal Directions for Multimodal Safety [70.16764304975675]
  マルチモーダルセーフティデータを必要とせずにマルチモーダルセーフティを注入する軽量なトレーニングフリーアプローチであるModality-Agnostic Refusal Steering (MARS)を導入する。 MARSは、アクティベーションリセンタによるモダリティの不整合を補正し、幾何的に定義された信頼領域内でステアリング強度を適応的にスケーリングし、最適な介入層を選択する。
  論文  参考訳（メタデータ） (2026-06-30T15:57:50Z)
• Safe Reinforcement Learning of Autonomous Highway Driving: A Unified Framework for Safety and Efficiency [2.6655248034321724]
  我々は、安全な距離、報酬機(RM)、およびMix of-experts(MoE)を統合した統合型安全強化学習(SRL)フレームワークを提案する。 2車線の交通実験により、MoE-RM-SRLは最先端のベースラインよりも安全性と効率を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-06-12T16:32:22Z)
• SARAD: LLM-Based Safety-Aware Hybrid Reinforcement Learning with Collision Prediction for Autonomous Driving [22.134329848099142]
  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。
  論文  参考訳（メタデータ） (2026-05-27T15:06:34Z)
• DriveVLM-RL: Neuroscience-Inspired Reinforcement Learning with Vision-Language Models for Safe and Deployable Autonomous Driving [7.788062051923755]
  DriveVLM-RLは神経科学に触発されたフレームワークで、視覚言語モデルと強化学習を統合する。 このフレームワークは、連続的な空間安全評価のための静的パスに意味報酬学習を分解する。 階層的な報酬合成機構は、セマンティック信号を車両状態と融合させ、非同期トレーニングパイプラインは環境相互作用から高価なVLM推論を分離する。
  論文  参考訳（メタデータ） (2026-03-18T21:55:29Z)
• 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)
• MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning [51.20229133553804]
  自律運転における現在のビジョン・ランゲージ・アクション(VLA)パラダイムは主に模倣学習(IL)に依存している オンライン強化学習は、トライアル・アンド・エラー学習を通じてこれらの問題に対処するための有望な経路を提供する。 大規模言語モデル(LLM)と2つの異なるLoRAパラメータからなるVLAフレームワークであるMindDriveを提案する。 軌道レベルの報酬を推論空間に戻すことで、MindDriveは、限定的な言語駆動決定の有限セットに対する試行錯誤学習を可能にする。
  論文  参考訳（メタデータ） (2025-12-15T18:31:32Z)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• 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)
• 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)
• HighwayLLM: Decision-Making and Navigation in Highway Driving with RL-Informed Language Model [5.4854443795779355]
  本研究は,大型言語モデル(LLM)の推論能力を利用して,エゴ車両の航法における将来の道程を予測する新しい手法であるHighwayLLMを提案する。 我々のアプローチは、事前訓練された強化学習(RL)モデルも利用して、適切なメタレベルアクションに関する意思決定を行い、ハイレベルプランナーとして機能する。
  論文  参考訳（メタデータ） (2024-05-22T11:32:37Z)
• DRNet: A Decision-Making Method for Autonomous Lane Changingwith Deep Reinforcement Learning [7.2282857478457805]
  DRNetは、DRLエージェントがシミュレートされた高速道路上で合理的な車線変更を行うことで、運転を学べる新しいDRLベースのフレームワークである。 我々のDRLエージェントは、衝突を起こさずに所望のタスクを学習でき、DDQNや他のベースラインモデルより優れています。
  論文  参考訳（メタデータ） (2023-11-02T21:17:52Z)

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。