論文の概要: Large Language Model Enhanced Differentiable Trajectory Planning for IoT-Enabled Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.10438v1
- Date: Sat, 11 Jul 2026 18:43:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.430652
- Title: Large Language Model Enhanced Differentiable Trajectory Planning for IoT-Enabled Autonomous Driving
- Title（参考訳）: IoTで実現可能な自律運転のための大規模言語モデルによる微分可能軌道計画
- Abstract要約: 本稿では,IoT 対応自動運転のための大規模言語モデル (LLM) 拡張型微分可能軌道計画フレームワークを提案する。
本研究では,サラウンドエージェントトラジェクトリを新たな計画監督として再編成するために,周辺エージェント中心のデータ拡張戦略を導入する。
また、シーン関連高レベルなセマンティック特徴を抽出するために、LLMをベースとした複雑なアシン・アシン・シン・同期のセマンティック・エンハンスメントモジュールを設計する。
- 参考スコア（独自算出の注目度）: 26.33691640001489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving planning is a key component of IoT-enabled intelligent transportation systems, requiring vehicles to generate safe, efficient, and executable trajectories in complex urban environments from multi-source contextual information. While imitation learning (IL) has shown promise on large-scale datasets, IL-based planners still suffer from limited coverage of complex long-tail interactions, weak consistency with downstream constrained refinement, and insufficient use of high level scene semantics under real time constraints. To address these issues, this paper proposes a large language model (LLM) enhanced differentiable trajectory planning framework for IoT-enabled autonomous driving. Specifically, we introduce a surrounding agent centric data augmentation strategy to reorganize sur rounding agent trajectories as additional planning supervision, thereby improving the training distribution without collecting additional raw data. We further design a complexity-aware asyn chronous LLM-based semantic enhancement module to extract scene-related high-level semantic features with controlled online overhead. In addition, a differentiable optimization module is incorporated to refine generated trajectories with explicit residual penalties while backpropagating optimization gradients to the upstream planner. Experiments show that the proposed method achieves the best overall scores of 83.63 and 78.29 on the nuPlan closed-loop nonreactive and reactive Hard20 benchmarks, respectively, and CARLA-ROS tests further verify its online deployment and real time closed-loop execution capability.
- Abstract（参考訳）: 自律運転計画(Autonomous driving planning)は、IoT対応のインテリジェントトランスポートシステムの主要なコンポーネントであり、マルチソースのコンテキスト情報から、複雑な都市環境で安全で効率的で実行可能な軌道を生成する必要がある。
模倣学習(IL)は大規模データセットにおいて有望であるが、ILベースのプランナーは、複雑なロングテールインタラクションの限られたカバレッジ、下流の制約された洗練との弱い一貫性、リアルタイム制約下でのハイレベルなシーンセマンティクスの使用不足に悩まされている。
これらの課題に対処するために,IoT 対応自動運転のための大規模言語モデル (LLM) 拡張型微分可能軌道計画フレームワークを提案する。
具体的には、周囲のエージェント中心のデータ拡張戦略を導入し、サラウンドエージェントトラジェクトリを追加の計画監督として再編成し、追加の生データを収集することなくトレーニング分布を改善する。
さらに,オンラインオーバーヘッドを制御したシーン関連高レベルセマンティックな特徴を抽出するために,LLMをベースとした拡張モジュールを複雑に認識する。
さらに、異なる最適化モジュールを組み込んで、アップストリームプランナーに最適化の勾配をバックプロパゲートしながら、明確な残差の残差を持つ生成された軌跡を洗練させる。
実験の結果,提案手法はnuPlanクローズドループの非反応性および反応性のHard20ベンチマークにおいて,83.63と78.29のスコアを達成し,CARLA-ROSテストによりオンラインデプロイメントとリアルタイムクローズドループ実行能力をさらに検証した。
関連論文リスト
- World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。
内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。
nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
論文 参考訳（メタデータ） (2026-07-12T07:44:16Z) - Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions [1.3299507495084417]
本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。
本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案する。
ベンチマーク評価は、学習強化計画フレームワークが3倍以上のスピードアップと100%の最適化成功率を達成することを示した。
論文 参考訳（メタデータ） (2026-05-19T09:07:59Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-04T04:12:47Z) - CarPLAN: Context-Adaptive and Robust Planning with Dynamic Scene Awareness for Autonomous Driving [24.617191209246226]
CarPLANは、駆動コンテキスト理解を明示的に強化する新しいILベースのモーションプランニングフレームワークである。
変位認識予測一般化(DPE)はモデルの空間認識を改善する。
CMD(Context-adaptive Multi-Expert Decoder)は、さまざまな駆動コンテキストを扱うモデルの能力を改善する。
論文 参考訳（メタデータ） (2026-03-13T03:22:32Z) - PILOT: Planning via Internalized Latent Optimization Trajectories for Large Language Models [51.43746425777865]
大規模言語モデル(LLM)は、しばしばグローバル戦略を定式化する能力に欠けており、長い水平タスクにおけるエラーの伝播につながる。
PILOTは,大規模モデルの戦略的監視を本質的な潜伏誘導に内部化するためのフレームワークである。
論文 参考訳（メタデータ） (2026-01-07T12:38:56Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。
我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:06:55Z) - DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳（メタデータ） (2020-11-09T20:49:54Z)
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。