論文の概要: ASSCG: Just-Right Gating over Chattering for Fast-Slow LLM Planning in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2606.25509v1
- Date: Wed, 24 Jun 2026 07:44:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.264391
- Title: ASSCG: Just-Right Gating over Chattering for Fast-Slow LLM Planning in Autonomous Driving
- Title（参考訳）: ASSCG: 自動運転における高速LLM計画のためのチャタリングのジャストレートゲーティング
- Abstract要約: 我々は、軽量なViTDriveベースの高速プランナーを構築し、NAVSIM上にLSMのスロープランナーを追加する。
プロジェクトのページでは、追加の視覚化を25%達成している。
- 参考スコア（独自算出の注目度）: 7.198310426010566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) can improve autonomous driving planning but are costly to query online, and existing fast-slow planners often rely on hand-designed triggering rules that either over-call the slow system or call it at the wrong times. We formulate slow-system invocation as a resource-aware sequential decision problem and propose the Adaptive Slow-System Control Gate (ASSCG), which makes frame-level Query/Cache/Drop decisions to refresh, reuse, or suppress slow guidance. ASSCG uses an RWKV backbone for efficient long-horizon gating and is trained with supervised fine-tuning followed by GRPO-style compute-aware reinforcement fine-tuning. We apply ASSCG to two different fast-slow architectures: (i) AsyncDriver on nuPlan Hard20 closed-loop evaluation, where ASSCG improves score to 67.28 (+2.28) while reducing average end-to-end inference latency by 60%; and (ii) a RecogDrive-based dual system that we build by replacing its original VLM-2B module with a lightweight ViT-based fast planner and adding an LLM slow planner, evaluated on NAVSIM, where ASSCG achieves 91.4 PDMS (+0.6) and increases average speed by 25%. The project page, including video visualizations and additional results, is available at https://williamxuanyu.github.io/asscg/.
- Abstract（参考訳）: 大規模言語モデル(LLM)は自動運転計画を改善することができるが、オンラインでの問い合わせにはコストがかかる。
我々は、リソース対応のシーケンシャルな決定問題としてスローシステム呼び出しを定式化し、フレームレベルのクエリ/キャッシュ/Drop決定をリフレッシュし、再利用し、あるいはスローガイダンスを抑圧するアダプティブスローシステム制御ゲート(ASSCG)を提案する。
ASSCGは、RWKVバックボーンを効率的なロングホライゾンゲーティングに使用し、監督された微調整とGRPOスタイルの強化微調整で訓練される。
ASSCGを2つの異なる高速スローアーキテクチャに適用する。
(i)AsyncDriver on nuPlan Hard20 クローズドループ評価では、ASSCGはスコアを67.28 (+2.28)に改善し、平均的なエンドツーエンドの推論遅延を60%削減する。
(II) 従来のVLM-2Bモジュールを軽量なViTベースの高速プランナに置き換え、NAVSIMでLCMのスロープランナを追加し、ASSCGが91.4PDMS(+0.6)を達成し、平均速度を25%向上させることで構築したRecogDriveベースのデュアルシステム。
ビデオビジュアライゼーションや追加結果を含むプロジェクトページはhttps://williamxuanyu.github.io/asscg/.comで公開されている。
関連論文リスト
- Fast-dDrive: Efficient Block-Diffusion VLM for Autonomous Driving [54.31800246594724]
本稿では,ブロック拡散型VLAであるFast-dDriveについて述べる。
我々は、Fast-dDriveが運転エージェントの速度精度フロンティアを再定義することを示す。
論文 参考訳（メタデータ） (2026-05-22T02:31:32Z) - Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform [0.7773695810928872]
我々のフレームワークには、時間最適レースライン生成、オンライン時間最適速度計画、幾何経路追跡コントローラ、ステアリング制御のための逆ダイナミクスを学習するための新しいモデル構造化ニューラルネットワーク(MS-NN)が含まれている。
2つの回路を用いて1:10スケールのRoboRacerプラットフォーム上にフレームワークをデプロイする。
我々のMS-NNは追跡精度を大幅に改善し、操舵振動を低減し、物理的に解釈可能である。
論文 参考訳（メタデータ） (2026-05-19T14:14:07Z) - 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) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。
潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。
提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
論文 参考訳（メタデータ） (2026-02-27T04:30:35Z) - Velocity and Density-Aware RRI Analysis and Optimization for AoI Minimization in IoV SPS [30.378932790676384]
本稿では,Large Language Models (LLM) とDeep Deterministic Policy Gradient (DDPG) に基づく最適化手法を提案する。
まず,車両速度,車両密度,資源保全間隔(RRI)に影響されるAoI計算モデルを構築し,次いで2経路最適化方式の設計を行った。
実験の結果, DDPG法は, モデルトレーニングを必要とせず, 少数の例を蓄積した後にAoIを有意に低減できることがわかった。
論文 参考訳（メタデータ） (2025-10-10T01:50:23Z) - Open-Vocabulary Spatio-Temporal Scene Graph for Robot Perception and Teleoperation Planning [55.90805559207812]
動的リモートシーンでは、双方向通信における伝送遅延は、リモート認識状態とオペレータ意図の間のギャップを生じさせる。
本稿では,時間的ダイナミクスと軽量遅延アノテーションを用いて,オープン語彙認識を充実させる表現を提案する。
提案手法はReplicaベンチマークで74%のノード精度を実現し,Concept.Graphよりも優れていた。
論文 参考訳（メタデータ） (2025-09-27T04:31:24Z) - Optimal Scheduling Algorithms for LLM Inference: Theory and Practice [6.043830060363904]
本稿では,大規模言語モデル推論システムにおけるルーティングとスケジューリングをモデル化する理論的枠組みを開発する。
スループット向上に不可欠な設計原則として,最適化タイリングと動的リソース割り当ての2つがあげられる。
本稿では,リソース・アウェア・ダイナミック(RAD)スケジューラが軽度条件下でスループットの最適化を実現することを示す。
論文 参考訳（メタデータ） (2025-08-01T18:12:21Z) - PentaRAG: Large-Scale Intelligent Knowledge Retrieval for Enterprise LLM Applications [5.4838799162708245]
我々はPentaRAGを紹介した。PentaRAGは5層モジュールで、各クエリを2つのインスタントキャッシュにルーティングする。
我々はPentaRAGがクエリ毎の平均GPU時間を0.248秒に削減したことを示す。
その結果、階層型ルーティング戦略は生産レベルのRAGシステムにおいて、鮮度、速度、効率性を同時に提供できることが示されている。
論文 参考訳（メタデータ） (2025-06-18T07:54:53Z) - 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) - FastCar: Cache Attentive Replay for Fast Auto-Regressive Video Generation on the Edge [60.000984252907195]
自動回帰(AR)モデルは、サンプリング効率が優れているため、近年、視覚生成タスクにおいて有望であることが示されている。
ビデオ生成は、コヒーレントな時間フレームを生成するために、かなり多くのトークンを必要とする。
我々は,時間的冗長性を探究して,ARビデオ生成のデコードフェーズを高速化する textbfFastCar フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-17T05:00:39Z)
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。