論文の概要: A Large-Language-Model Supported Personalized Driving Framework for Lane Change in Highway Scenarios

• arxiv url: http://arxiv.org/abs/2606.31483v2
• Date: Wed, 01 Jul 2026 07:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 15:15:53.083845
• Title: A Large-Language-Model Supported Personalized Driving Framework for Lane Change in Highway Scenarios
• Title（参考訳）: 道路シナリオにおけるレーン変更のための大規模言語モデル支援型パーソナライズドライビングフレームワーク
• Authors: Dong Bi, Yongqi Zhao, Paul Kovacevic, Tomislav Mihalj, Ji Zhou, Jiayuan Gong, Arno Eichberger,
• Abstract要約: 本稿では,高速道路車線変更シナリオを対象とした大規模言語モデル (LLM) によるパーソナライズドライビングフレームワークを提案する。 このフレームワークは、オープンソースのApollo自動走行スタックにおいて、自然言語駆動コマンドを実行可能な計画パラメータにマッピングする。 実験により、導出パラメータセットは識別可能なパーソナライズされたレーン・チェンジ動作を生成し、RAGは常に好みの解釈を改善していることが示された。
• 参考スコア（独自算出の注目度）: 1.6314656571060535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized driving can improve the user acceptance of automated driving systems. However, existing methods still provide limited support for translating natural-language driving preferences, especially when such preferences are expressed implicitly, into executable and distinguishable driving behaviors. This paper proposes a large language model (LLM)-supported personalized driving framework for highway lane-change scenarios. The framework maps natural-language driving commands to executable planning parameters in the open-source Apollo automated driving stack according to three driving styles: aggressive, normal, and conservative. To establish this mapping, candidate planning parameters are evaluated based on the resulting lane-change behaviors, and style-specific parameter sets are constructed through clustering and style-intensity ranking. For command interpretation, a retrieval dataset is constructed to support retrieval-augmented generation (RAG), enabling LLM-based interpretation of implicit user commands. Experimental results show that the derived parameter sets generate distinguishable personalized lane-change behaviors, while RAG consistently improves preference interpretation, particularly for implicit commands. These results indicate the potential of integrating LLM-based natural-language interaction with Apollo to support personalized lane-change behavior generation. The source code and the relevant datasets are available at: https://github.com/ftgTUGraz/LLM-Personalized-Driving.
• Abstract（参考訳）: パーソナライズドライビングは、自動走行システムのユーザ受け入れを改善することができる。 しかし、既存の手法は、特にそのような嗜好が暗黙的に表現された場合、自然言語の運転嗜好を実行可能で区別可能な運転行動に翻訳するための限定的なサポートを提供し続けている。 本稿では,高速道路車線変更シナリオを対象とした大規模言語モデル (LLM) によるパーソナライズドライビングフレームワークを提案する。 このフレームワークは、アグレッシブ、ノーマル、保守的な3つの駆動スタイルに従って、オープンソースのApollo自動走行スタックの自然言語駆動コマンドを実行可能な計画パラメータにマッピングする。 このマッピングを確立するために,提案したレーン変更挙動に基づいて候補計画パラメータを評価し,クラスタリングとスタイルインテンシティランキングによってスタイル固有のパラメータセットを構築した。 コマンド解釈のために、検索データセットは検索拡張生成(RAG)をサポートするように構築され、暗黙的なユーザコマンドのLLMベースの解釈を可能にする。 実験結果から, 導出パラメータセットは識別可能なパーソナライズされた車線変更行動を生成するのに対し, RAGは特に暗黙のコマンドに対して, 常に選好の解釈を改善していることがわかった。 これらの結果は,LLMをベースとした自然言語インタラクションをApolloと統合し,パーソナライズされた車線変化行動生成を支援する可能性を示唆している。 ソースコードと関連するデータセットは、https://github.com/ftgTUGraz/LLM-Personalized-Drivingで公開されている。

関連論文リスト

• DriveJudge: Rethinking Autonomous Driving Evaluation with Vision-Language Models [53.73898294218455]
  DriveJudgeは、ルール付き評価とVision-Language Model (VLM)推論を組み合わせた運転評価エージェントである。 運転品質分類と軌道選択という2つのベンチマークタスクを導入する。 DriveJudgeは、21.23 AUCによる運転品質分類と、最近のVLMベースのDriveCriticによる軌道優先選択では6.5%の成績を示した。
  論文  参考訳（メタデータ） (2026-06-15T23:39:36Z)
• Language-Driven Cost Optimization for Autonomous Driving [15.884773782381346]
  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。
  論文  参考訳（メタデータ） (2026-06-09T15:13:30Z)
• ICR-Drive: Instruction Counterfactual Robustness for End-to-End Language-Driven Autonomous Driving [1.6961250145588112]
  ICR-Driveは、言語条件の自律運転において、対実的ロバスト性を示すための診断フレームワークである。 我々は、一致したシミュレータ構成とシードの下で同一のCARLAルートを再生し、命令言語に起因する性能変化を分離する。 LMDriveとBEVDriverの実験では、マイナーな命令変更がパフォーマンス低下と障害モードの相違を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2026-04-07T03:24:22Z)
• Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving [18.914134572789703]
  Drive My Way(DMW)は、ユーザの長期的な運転習慣に合わせて、リアルタイムなユーザ指示に適応するパーソナライズされた運転フレームワークである。 DMWは、複数の現実のドライバーから収集したパーソナライズされた運転データセットからユーザ埋め込みを学び、計画中にこの埋め込みに関するポリシーを条件にします。 私たちのデータとコードはhttps://dmw-cvpr.io/.com/で公開されています。
  論文  参考訳（メタデータ） (2026-03-26T17:59:54Z)
• DRIV-EX: Counterfactual Explanations for Driving LLMs [5.315914253152163]
  大規模言語モデル (LLMs) は、自律運転における推論エンジンとしてますます使われている。 我々は,その意思決定プロセスについて,事実的説明を通じて検討することを提案する。 本稿では,連続埋め込みにおける勾配に基づく最適化手法であるDRIV-EXを紹介する。
  論文  参考訳（メタデータ） (2026-02-28T15:12:51Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• Human-like Semantic Navigation for Autonomous Driving using Knowledge Representation and Large Language Models [11.045662497663514]
  大規模言語モデルは、Answer Set Programmingルールを生成するために使用される。 ASPはモノトニックな推論を提供し、自動運転車が進化するシナリオに適応できるようにする。 LLM駆動のASPルール生成は意味に基づく意思決定をサポートする。
  論文  参考訳（メタデータ） (2025-05-22T10:32:43Z)
• DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous Driving [69.82743399946371]
  DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。 モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。 このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
  論文  参考訳（メタデータ） (2023-12-14T18:59:05Z)
• DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
  本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。 DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
  論文  参考訳（メタデータ） (2023-10-02T17:59:52Z)
• Guiding Large Language Models via Directional Stimulus Prompting [114.84930073977672]
  我々は,特定の所望の出力に対して,ブラックボックス大言語モデル(LLM)を導くための新しいフレームワークであるDirectional Stimulus Promptingを紹介する。 LLMを直接調整するのではなく、小さな調整可能なポリシーモデルを用いて各入力インスタンスに対して補助的な指向性刺激プロンプトを生成する。
  論文  参考訳（メタデータ） (2023-02-22T17:44:15Z)

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。