論文の概要: Risk-Adaptive Edge--Cloud Visual Reasoning for Communication-Efficient Autonomous Driving

• arxiv url: http://arxiv.org/abs/2608.14991v1
• Date: Sat, 15 Aug 2026 02:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.1428
• Title: Risk-Adaptive Edge--Cloud Visual Reasoning for Communication-Efficient Autonomous Driving
• Title（参考訳）: 通信効率の良い自律運転のためのリスク適応型エッジクラウドビジュアル推論
• Abstract要約: クラウドでホストされる視覚言語モデル(VLM)は、小さなオンボードモデルよりもコンテキスト推論能力が高い。 リスク適応型エッジクラウドアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 6.115137181728187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud-hosted vision-language models (VLMs) offer greater contextual reasoning capabilities than smaller onboard models, but frequent visual uploads increase communication overhead and add network and inference latency to tactical decisions. We present a risk-adaptive edge-cloud architecture in which onboard traffic assessment determines when cloud reasoning is requested. An onboard VLM and a lightweight detector capture temporal traffic conditions and path-relative hazards for conservative local response and selective cloud access. The cloud model provides tactical advice, while validation, vehicle control, and automatic emergency braking remain local. In CARLA experiments, our method matched the task success rate of periodic cloud access while reducing cloud requests by 54.1% and recording fewer automatic emergency braking (AEB) activations. In a delayed-roadwork ablation, semantic events triggered requests before the next scheduled audit. Across three emulated network profiles, the method continued to reduce cloud traffic, although lane changes took longer than with periodic access. Onboard traffic assessment therefore served as a practical trigger for selective VLM inference in these experiments.
• Abstract（参考訳）: クラウドホスト型ビジョン言語モデル(VLM)は、小さなオンボードモデルよりもコンテキスト推論能力が高いが、頻繁なビジュアルアップロードは通信オーバーヘッドを増大させ、戦術的な決定にネットワークと推論遅延を追加する。 リスク適応型エッジクラウドアーキテクチャを提案する。 搭載されたVLMと軽量検出器は、保守的なローカル応答と選択的なクラウドアクセスのための時間的交通条件と経路関連ハザードを捕捉する。 クラウドモデルは戦術的なアドバイスを提供するが、検証、車両制御、自動緊急ブレーキはローカルのままである。 CARLA実験では,クラウド要求を54.1%削減し,自動緊急ブレーキ(AEB)のアクティベーションを低減した。 遅延ロードワークアブレーションでは、セマンティックイベントが次のスケジュール監査の前にリクエストをトリガーした。 3つのエミュレートされたネットワークプロファイルを通じて、この手法はクラウドトラフィックを減少させ続けたが、レーンの変更は周期的なアクセスよりも長くかかった。 そのため、車載交通評価は、これらの実験において選択的VLM推論の実用的な引き金となった。

関連論文リスト

• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• Latency-Tolerant Cloud-Edge Collaborative Vision-Language-Action Models via Emergent Representational Specialization [6.831202558046453]
  CloudEdgeVLAは、時間的ミスアライメントを表現学習問題として扱うクラウドエッジポリシーである。 軽量エッジヘッドは、最新のクラウド機能と現在のローカルビジョンを組み合わせたものだ。 CloudEdgeVLAは63.8--78.0%の成功を維持し、40ステップの均一遅延ウィンドウを持つ。
  論文  参考訳（メタデータ） (2026-08-01T10:11:59Z)
• ECoSim: Data Efficient Fine-Tuning for Controllable Traffic Simulation [48.30643653308979]
  制御可能な交通シミュレーションは自律走行システムのテストに不可欠である。 既存のアプローチでは、広範囲な注釈付きデータで大きな生成モデルを再訓練する必要があることが多い。 マルチモーダル制御を可能にする軽量な制御適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-01T07:35:29Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems [0.0]
  本稿では,リアルタイム認識,制御,通信を統合し,クラウド支援自動運転の脆弱性を評価するハードウェア・イン・ザ・ループIoVテストベッドを提案する。 クラウド上に展開されたYOLOv8ベースの物体検出器は、FGSM(Fast Gradient Sign Method)とPGD(Projected Gradient Descent)を用いて、ホワイトボックスの敵攻撃を受ける。 その結果、逆方向の摂動は認識性能を著しく低下させ、PGDは検出精度を低下させ、クリーンベースラインでは0.73と0.68と、エプシロン=0.04では0.22と0.15にリコールした。
  論文  参考訳（メタデータ） (2026-04-06T01:54:41Z)
• Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning [42.15812524999639]
  Agentic Fast-Slow Planning(エージェント・ファスト・スロー・プランニング)は、知覚、推論、計画、そして自然の時間スケールをまたいだ制御を分離する階層的なフレームワークである。 エージェント高速スロープランニングは摂動下での堅牢性を向上し、純粋なMPCおよびA*誘導MPCベースラインと比較して、横方向偏差を最大45%減らし、完了時間を12%以上短縮することを示した。
  論文  参考訳（メタデータ） (2026-04-02T06:34:29Z)
• Robust Single-Agent Reinforcement Learning for Regional Traffic Signal Control Under Demand Fluctuations [5.784337914162491]
  交通渋滞は、主に交差点の待ち行列によって引き起こされ、都市生活水準、安全性、環境品質、経済効率に大きな影響を及ぼす。 本研究では,地域適応型TSCのための新しい単エージェント強化学習フレームワークを提案する。 このフレームワークは堅牢な反ゆらぎ能力を示し、待ち時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2025-11-01T13:18:50Z)
• Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
  視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。 本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。 我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
  論文  参考訳（メタデータ） (2025-05-09T20:28:17Z)
• Edge AI-Powered Real-Time Decision-Making for Autonomous Vehicles in Adverse Weather Conditions [0.0]
  従来のクラウドベースのAIシステムは通信遅延を導入し、リアルタイムの自律ナビゲーションには適さない。 本稿では,悪天候下でのAV応答性向上を目的とした,エッジAIによるリアルタイム意思決定フレームワークを提案する。 ネットワークエッジでデータを処理することにより、AV適応性を改善しながら決定遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2025-03-12T02:02:05Z)
• Managing Bandwidth: The Key to Cloud-Assisted Autonomous Driving [73.55745551827229]
  自動運転車のようなリアルタイム制御システムにクラウドを頼らなければならない、と私たちは主張する。 時間に敏感な計算と遅延クリティカルな計算の一部をクラウドにオフロードする機会を特定します。
  論文  参考訳（メタデータ） (2024-10-21T17:32:36Z)
• Self-Supervised Multi-Frame Neural Scene Flow [46.89574953830576]
  本稿では,その一般化能力の理論的評価とともに,複数フレームのクラウドシーンフロー推定を簡便かつ効果的に行う方法を提案する。 解析により,提案手法は限定的な一般化誤差を保ち,シーンフロー最適化プロセスに複数のフレームを追加することは,その一般化可能性から逸脱しないことが示唆された。
  論文  参考訳（メタデータ） (2024-03-24T12:15:28Z)

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。