論文の概要: Multi-Agent Orchestration with the Common-Sense Reasoning Capabilities of LLMs for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2608.20129v2
• Date: Sat, 22 Aug 2026 14:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:42.98922
• Title: Multi-Agent Orchestration with the Common-Sense Reasoning Capabilities of LLMs for Autonomous Driving
• Title（参考訳）: 自律運転におけるLLMの共通感覚推論機能を用いた多エージェントオーケストレーション
• Authors: Mehdi Azarafza, Faezeh Pasandideh, Ali Ehteshami Bejnordi, Stefan Henkler, Achim Rettberg,
• Abstract要約: 大規模言語モデル(LLM)はマルチモーダル情報を理解する上で強力な能力を示している。 システムはオーケストレータを使用して、PPO訓練された強化学習とPID制御を調整する。 LLMの推論は、動的駆動環境におけるRL報酬関数の洗練にさらに用いられる。
• 参考スコア（独自算出の注目度）: 0.4063872661554895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles require robust perception and decision-making capabilities to operate in diverse and unseen scenarios. While reinforcement learning and rule-based methods can provide effective control and safety mechanisms, their performance may degrade in situations requiring contextual reasoning. Large Language Models (LLMs) have demonstrated strong capabilities in understanding multimodal information and generating contextual reasoning, however, their use for direct vehicle control can introduce latency and hallucination risks. To address these limitations, a hybrid framework is proposed. This system uses an orchestrator to coordinate PPO-trained reinforcement learning and PID control, with LLM common-sense reasoning applied throughout the framework. LLM reasoning is further employed iteratively to refine the RL reward function for dynamic driving environments. The proposed framework is evaluated in highly randomized CARLA scenarios under diverse environmental and traffic conditions. The results demonstrate the potential of integrating LLM-based reasoning with conventional autonomous driving methods while retaining structured control and safety mechanism.
• Abstract（参考訳）: 自動運転車は、多様な、目に見えないシナリオで運用するために、堅牢な認識と意思決定能力を必要とします。 強化学習とルールに基づく手法は効果的な制御と安全性のメカニズムを提供するが、それらの性能は文脈的推論を必要とする状況で低下する可能性がある。 大規模言語モデル(LLM)はマルチモーダル情報を理解し、文脈的推論を生成する強力な能力を示しているが、直接的な車両制御には遅延や幻覚のリスクが伴う。 これらの制限に対処するため、ハイブリッドフレームワークが提案されている。 本システムは,PPO学習とPID制御の調整にオーケストレータを用いており,LLMの常識推論をフレームワーク全体に適用している。 LLM推論は、動的駆動環境におけるRL報酬関数の洗練に反復的に用いられる。 提案手法は,環境・交通条件の多様さにおいて,高度にランダム化されたCARLAシナリオで評価される。 その結果,LLMに基づく推論を従来の自律運転法と統合し,構造制御と安全機構を維持できる可能性が示された。

関連論文リスト

• Perceptual Motor Learning with Active Inference Framework for Robust Lateral Control [0.5437298646956507]
  本稿では、高自動走行車(HAV)における横方向制御を強化するために、アクティブ推論(AIF)と統合された新しい知覚運動学習フレームワークを提案する。 PMLは知覚と行動のシームレスな統合を強調し、動的環境における効率的な意思決定を可能にする。 弊社のアプローチは、ディープラーニングをアクティブな推論原則と統合し、HAVが最小限のデータで車線維持を行い、異なる環境にまたがる広範な再訓練を行なわないようにする。
  論文  参考訳（メタデータ） (2025-03-03T15:49:18Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)

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。