論文の概要: CMU-Drive and V2V-VLA: Cooperative Multi-agent Unified Driving with Reasoning Benchmark and Vehicle-to-Vehicle Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2608.07621v1
- Date: Fri, 07 Aug 2026 09:00:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.460359
- Title: CMU-Drive and V2V-VLA: Cooperative Multi-agent Unified Driving with Reasoning Benchmark and Vehicle-to-Vehicle Vision-Language-Action Models
- Title（参考訳）: CMU-DriveとV2V-VLA:共用マルチエージェント統合運転と車車間ビジョン・ランゲージ・アクションモデル
- Abstract要約: 本稿では,協調運転評価のためのクローズドループ・エンド・ツー・エンドベンチマークであるCMU-Driveについて述べる。
本稿では、協調運転を1つの前方通過路に統合するVLAモデルであるV2V-VLA(Vanguage-Action)を提案する。
- 参考スコア（独自算出の注目度）: 4.009780255195637
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Vision-Language-Action (VLA) models have recently achieved impressive performance for end-to-end autonomous driving, yet existing approaches are primarily designed for an individual single autonomous driving agent with limited support for cooperative perception, reasoning, and planning. We present Cooperative Multi-agent Unified Driving with Reasoning (CMU-Drive), a closed-loop end-to-end benchmark for evaluating cooperative autonomous driving with multiple connected autonomous vehicles (CAVs) operating in safety-critical driving scenarios with background traffic participants. We further propose Vehicle-to-Vehicle Vision-Language-Action (V2V-VLA), a cooperative VLA model that integrates cooperative driving into a single forward pass by jointly generating driving actions, future waypoints, language reasoning, and communication policies. Experiments on CMU-Drive establish the first benchmark and baseline for cooperative VLA driving and provide a foundation for future research on multi-agent, closed-loop, end-to-end cooperative autonomous driving. Our code, benchmark, and model checkpoint will be publicly released to facilitate open-source research.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、最近エンド・ツー・エンドの自動運転において印象的なパフォーマンスを達成したが、既存のアプローチは主に、協調認識、推論、計画に対する限られたサポートを持つ個々の自律運転エージェントのために設計されている。
我々は,複数連結自動運転車 (CAV) による協調運転評価のためのクローズドループ・エンド・ツー・エンド・ベンチマークであるCMU-Drive(Cooperative Multi-agent Unified Driving with Reasoning)を提案する。
さらに、協調運転を単一の前方通過路に統合するVLAモデルであるV2V-VLA(Vanguage-Action)を提案する。
CMU-Driveの実験は、協調VLA運転のための最初のベンチマークとベースラインを確立し、マルチエージェント、クローズドループ、エンドツーエンドの協調自動運転に関する将来の研究の基礎を提供する。
私たちのコード、ベンチマーク、モデルチェックポイントは、オープンソース研究を促進するために公開されます。
関連論文リスト
- A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving [96.81243316566764]
VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転の強力なパラダイムとして登場した。
マルチモーダリティインタラクションと多軌道計画と最適化を組み合わせた,堅牢なVLAベースのエンドツーエンド自動運転システムを提案する。
論文 参考訳（メタデータ） (2026-08-21T09:06:16Z) - 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) - A Human-Oriented Cooperative Driving Approach: Integrating Driving Intention, State, and Conflict [50.983743505985956]
我々は,より自然で効果的な人間-車間相互作用を確立するために,Human-Oriented Cooperative Driving (HOCD) アプローチを提案する。
実装においては、シームレスな人車連携を確保するため、戦術レベルと運用レベルを考慮に入れます。
他の協調運転法と比較して,提案手法は運転性能を著しく向上し,人間と機械の衝突を緩和する。
論文 参考訳（メタデータ） (2025-12-29T05:51:00Z) - 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) - Towards Natural Language Communication for Cooperative Autonomous Driving via Self-Play [70.70505035012462]
自然言語を車両間通信プロトコル(V2V)として使用すると、自動運転車が協力して運転する可能性がある。
本稿では,自律走行車におけるメッセージ生成と高レベル意思決定ポリシーを学習するための新しい手法 LLM+Debrief を提案する。
実験の結果,LLM+Debriefは有意義で理解可能な自然言語メッセージを生成するのに有効であることがわかった。
論文 参考訳（メタデータ） (2025-05-23T19:40:09Z) - CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving [28.101283061232472]
車両から車両への協調運転(V2V)は安全性向上に大いに貢献する。
従来の協調手法は、厳密な協調プロトコルと、目に見えない対話的なシナリオへの限定的な一般化によって制約される。
我々は,最初のフルピペリンLCMを用いた協調駆動システムであるCoLMDriverを提案する。
論文 参考訳（メタデータ） (2025-03-11T17:58:42Z) - V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multi-Modal Large Language Models [31.537045261401666]
本稿では,多モード大規模言語モデルと協調自律運転を統合した新しい問題設定を提案する。
また,V2V-LLM(V2V-LLM)のベースライン手法を提案する。
実験結果から,提案するV2V-LLMは,協調運転における様々なタスクを遂行する上で,有望な統一モデルアーキテクチャとなる可能性が示唆された。
論文 参考訳（メタデータ） (2025-02-14T08:05:41Z) - WHALES: A Multi-Agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [14.977628973132099]
WHALESは,通信対応エージェントスケジューリングとスケーラブルな協調認識のベンチマークのために設計された,最初の大規模V2Xデータセットである。
WHALESは、シーンごとに平均8.4の協調エージェントと、さまざまな交通シナリオにまたがる2100万の注釈付き3Dオブジェクトを備えている。
リアルタイム通信ボトルネックをエミュレートするために、詳細な通信メタデータを組み込んでおり、スケジューリング戦略の厳密な評価を可能にしている。
論文 参考訳（メタデータ） (2024-11-20T14:12:34Z) - 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) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z)
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。