論文の概要: Large Multimodal Agents for Intelligent Transportation Systems: Architectures, Evidence, and Deployment Challenges
- arxiv url: http://arxiv.org/abs/2608.08184v1
- Date: Sat, 08 Aug 2026 15:22:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.715393
- Title: Large Multimodal Agents for Intelligent Transportation Systems: Architectures, Evidence, and Deployment Challenges
- Title（参考訳）: インテリジェントトランスポートシステムのための大規模マルチモーダルエージェント:アーキテクチャ,エビデンス,展開課題
- Abstract要約: このレビューは、2023年1月から2026年8月3日までにリリースされた42の初等研究家族の監査可能なエビデンスマップを提供する。
モデルレベル、システムレベル、ハイブリッドマルチモダリティを区別し、システムアーキテクチャとアクション権限によって各ファミリーを分類する。
- 参考スコア（独自算出の注目度）: 10.296219658873676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large multimodal agents (LMAs) are increasingly proposed for intelligent transportation systems (ITS), but existing studies often conflate multimodality, agency, empirical performance, and deployment readiness. This review provides an auditable evidence map of 42 primary study families released between January 2023 and 3 August 2026 within a corpus of 91 mapped sources. It distinguishes model-level, system-level, and hybrid multimodality and classifies each family by system architecture and action authority. Evidence is assessed independently through functional capability (C0-C3), validation setting (E0-E4), three evidence propositions (P1-P3), and eight methodological-concern domains (Q1-Q8). Transportation semantics (P1) are directly evaluated in 23 families and multidimensional integration (P3) in 24; 19 families directly evaluate both. Evidence reconciliation (P2) remains unresolved because no family demonstrates the complete provenance-challenge-handling-comparison-outcome chain. Fourteen families reach C3, but 13 remain at E2; only one reaches E3 and none reaches E4. Across ITS domains, LMAs are best supported for semantic interpretation, intent translation, evidence organisation, scenario authoring, explanation, and specialist-tool coordination. Numerical forecasting, optimisation, simulation fidelity, hard constraints, low-level control, safety fallback, and final authority should remain with independently verifiable specialist systems or accountable humans. The review therefore supports bounded orchestration rather than replacement and provides a matched comparative evaluation protocol and staged roadmap for accountable deployment. The living evidence repository is available at https://github.com/pangjunbiao/ITS-LMA-Review.
- Abstract（参考訳）: 大規模マルチモーダルエージェント (LMA) は、インテリジェントトランスポートシステム (ITS) に対してますます提案されているが、既存の研究では、マルチモーダル、エージェンシー、経験的パフォーマンス、デプロイメントの準備ができている。
このレビューでは、2023年1月から2026年8月3日までに、91件の資料のコーパス内で、42の初等研究家族の監査可能なエビデンスマップを提供する。
モデルレベル、システムレベル、ハイブリッドマルチモダリティを区別し、システムアーキテクチャとアクションオーソリティによって各ファミリーを分類する。
証明は機能能力(C0-C3)、検証設定(E0-E4)、3つの証拠命題(P1-P3)、8つの方法論・概念ドメイン(Q1-Q8)を通じて独立に評価される。
輸送意味論(P1)は23家族で直接評価され、24家族で多次元統合(P3)、19家族で直接評価される。
Evidence reconciliation (P2) は、完全な証明-処理-比較-アウトカム連鎖を示す家族は存在しないため、未解決のままである。
14の家族がC3に達するが、13はE2に留まり、一方のみがE3に到達し、一方はE4に到達しない。
ITSドメイン全体では、LMAはセマンティックな解釈、意図の翻訳、エビデンス組織、シナリオのオーサリング、説明、スペシャリストとツールの調整に最適である。
数値予測、最適化、シミュレーションの忠実さ、厳しい制約、低レベルの制御、安全性の低下、そして最終的な権威は、独立した検証可能な専門家システムまたは説明可能な人間に留まるべきである。
したがって、レビューは置換ではなく境界オーケストレーションをサポートし、一致する比較評価プロトコルと説明可能なデプロイメントのためのステージ化されたロードマップを提供する。
ライブエビデンスリポジトリはhttps://github.com/pangjunbiao/ITS-LMA-Reviewで公開されている。
関連論文リスト
- Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation [60.151050016855834]
DASは出版指向の学術調査を作成するためのステートフルなエージェント・フレームワークである。
その鍵となる考え方は、再利用可能な紙分析とトピック固有の原稿構築を分離することである。
DASは4つの次元で最高点に達し、総合スコアは4.34であり、最強の競争相手は4.03である。
論文 参考訳（メタデータ） (2026-08-18T17:29:00Z) - From Interpretability to Control: Insights from Six Years of the TrustNLP Workshop [63.00693129203923]
The Workshop on Trustworthy Natural Language Processingは8つの論文から6つのエディションで41に成長した。
我々は、144の手続き書類から洞察を合成し、確立されたフレームワークに根ざした6つの信頼次元に沿ってそれらを分類する。
分類研究による分析によると、真理は最も成長の早い次元である(2021-2022年、2025-2026年までに論文の37%を占める)。
論文 参考訳（メタデータ） (2026-08-11T17:30:16Z) - From Isolated Tasks to Structured Capabilities: A Multilayer Taxonomy for Large Language Models [41.36461541603076]
大規模言語モデル(LLM)の評価は多様なタスクとベンチマークにまたがる。
証拠は、調査する能力よりも、タスクを中心に組織化されている。
14の能力ドメインと91のサブスキルからなる多層分類を導入した。
論文 参考訳（メタデータ） (2026-07-24T10:49:50Z) - ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。
CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
論文 参考訳（メタデータ） (2026-05-25T21:30:27Z) - Measuring the Authority Stack of AI Systems: Empirical Analysis of 366,120 Forced-Choice Responses Across 8 AI Models [3.7184769644515896]
オーソリティスタックフレームワークの3つのレイヤすべてにまたがる、AI意思決定に関する大規模な実証的なマッピングを初めて紹介する。
温度0では8つの主要なAIモデルを評価し、366,120の回答を得た。
論文 参考訳（メタデータ） (2026-04-13T09:13:32Z) - From Reasoning to Agentic: Credit Assignment in Reinforcement Learning for Large Language Models [3.651838585096184]
大規模言語モデルの強化学習(RL)は、スパースで結果レベルの報酬にますます依存している。
我々は2024年から2026年にかけて発行された47のCA法を調査し,それらの分類を課題別に2次元分類で整理した。
我々は,(1)分類ラベル,ベースラインファミリー,エビデンスレベルを備えた構造化機械可読紙の在庫,(2)組織的方法論的ギャップを特定するための将来のCA論文の報告チェックリスト,(3)タスクファミリ,メタデータ要件,管理された分岐タスクを備えたベンチマークプロトコル仕様の3つの再利用可能な資源をコントリビュートする。
論文 参考訳（メタデータ） (2026-04-10T16:17:44Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z) - UGAF-ITS: A Standards Harmonization Framework and Validation Tool for Multi-Framework AI Governance in Distributed Intelligent Transportation Systems [1.1002771741647328]
UGAF-ITSは、154のソース義務を8つのガバナンスドメインで12の統一されたコントロールに統合する標準調和フレームワークである。
3層運用モデルでは、各制御を車両、エッジ、またはクラウド層に割り当てる。
20バージョンのアーティファクトのエビデンスバックボーンは、3つのフレームワークすべてに1つの監査パッケージをサポートしている。
論文 参考訳（メタデータ） (2026-04-07T09:37:05Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Law of the Weakest Link: Cross Capabilities of Large Language Models [102.91861246827797]
我々は,Large Language Models (LLMs) が "Law of the Weakest Link" を示すことを示した。
これらの結果は, クロスキャパビリティタスクにおけるLLMの低性能化を浮き彫りにした。
論文 参考訳（メタデータ） (2024-09-30T05:12:01Z)
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。