論文の概要: MIND-CAVs: Multi-Intelligence Negotiation and Decision System for CAVs based on Intent-Driven Autonomy

• arxiv url: http://arxiv.org/abs/2607.14688v2
• Date: Sat, 18 Jul 2026 03:23:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.624462
• Title: MIND-CAVs: Multi-Intelligence Negotiation and Decision System for CAVs based on Intent-Driven Autonomy
• Title（参考訳）: MIND-CAV:インテント駆動型自律性に基づくCAVのためのマルチインテリジェントネゴシエーション・意思決定システム
• Abstract要約: MIND-CAVは、意図駆動の自律性に基づくコネクテッド・自動運転車(CAV)のためのフレームワークである。 各車両は、生のセンサー観測を構造化された意図表現に抽象化し、V2Xリンクを介してそれらを交換し、ロードサイドエッジサーバから一貫した調整計画を受け取る。 我々は、CARLAベースのAI-in-the-loopプラットフォームにMIND-CAVを実装し、マルチレーンハイウェイシナリオで評価する。
• 参考スコア（独自算出の注目度）: 5.382627382708821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern autonomous vehicles largely operate as isolated agents: they rely on on-board perception and decision modules and broadcast Basic Safety Messages (BSMs) that expose only low-level kinematic state. While existing cooperative driving frameworks enable limited sensor sharing, they rarely communicate high-level maneuver intentions, and edge computing is primarily used for content delivery rather than decision arbitration. As a result, current connected autonomy lacks a principled mechanism for making globally consistent, intent-aware coordination decisions across vehicles. To address this gap, we propose MIND-CAVs, a Multi-Intelligence Negotiation and Decision framework for connected autonomous vehicles (CAVs) based on intent-driven autonomy. Each vehicle abstracts raw sensor observations into structured intent representations, exchanges them over V2X links, and receives globally consistent coordination plans from roadside edge servers. Edge agents combine learned and rule-based arbitration mechanisms to negotiate conflicting intents among vehicles, while a cloud platform records decisions for auditing and continual retraining. We implement MIND-CAVs in a CARLA-based AI-in-the-loop platform and evaluate it in multi-lane highway scenarios involving conflicting maneuvers and route-constrained exits. Experimental results show improved maneuver completion time and reduced unsafe proximity and unnecessary braking compared with isolated autonomy, first-come-first-served arbitration, and multi-agent reinforcement learning baselines.
• Abstract（参考訳）: 現代の自動運転車は、主に独立したエージェントとして運用されており、車載認識と意思決定モジュールに依存し、低レベルの運動状態のみを公開する基本安全メッセージ(BSM)を放送している。 既存の協調駆動フレームワークはセンサの共有を制限できるが、高いレベルの操作意図を伝達することは滅多になく、エッジコンピューティングは意思決定の仲裁ではなく、主にコンテンツ配信に使用される。 結果として、現在の接続された自律性は、車両間でグローバルに一貫性があり、意図を意識した調整決定を行うための原則的なメカニズムを欠いている。 このギャップに対処するために、意図駆動型自律性に基づくコネクテッド自動運転車(CAV)のためのマルチインテリジェンスネゴシエーション・意思決定フレームワークであるMIND-CAVを提案する。 各車両は、生のセンサー観測を構造化された意図表現に抽象化し、V2Xリンクを介してそれらを交換し、ロードサイドエッジサーバから一貫した調整計画を受け取る。 エッジエージェントは、学習とルールベースの仲裁メカニズムを組み合わせて、車両間の競合する意図を交渉する一方で、クラウドプラットフォームは監査と継続的再トレーニングの判断を記録する。 我々は、CARLAベースのAI-in-the-loopプラットフォームにMIND-CAVを実装し、競合する操作やルート制約のある出口を含むマルチレーンハイウェイシナリオで評価する。 実験の結果,単独の自律性,初級仲裁,マルチエージェント強化学習ベースラインと比較して,操作完了時間の改善と安全でない近接と不要ブレーキの低減が認められた。

関連論文リスト

• Multi-Agent Embodied Autonomous Driving: From V2X Information Exchange to Shared World Models [16.06080006560829]
  自律運転は、孤立した車両の知性から、不確実性の下で知覚、推論意図、協調行動を共有するマルチエージェント・エンボディシステムへとシフトしている。 車両間通信(V2X)、協調認識、エージェント間認知、協調計画、エンドツーエンド協調運転、クローズドループ検証のためのシミュレーションとデータエンジンを含む380以上の出版物をレビューする。
  論文  参考訳（メタデータ） (2026-06-11T19:10:13Z)
• Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling [20.79524129066014]
  本稿では、CaADと呼ばれる、因果認識のエンドツーエンド自動運転フレームワークを提案する。 まず,限界予測分岐上に構築されたエゴ中心の合同因果モデリングモジュールを提案する。 第2に,エゴ政策を計画指向閉ループフィードバックと整合させるために,共同モード埋め込みで実装した因果対応政策アライメントステージを採用する。
  論文  参考訳（メタデータ） (2026-05-13T15:06:22Z)
• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• 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)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)

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。