論文の概要: CoLMIN: LLM-based Multi-Decision Path Negotiation for Cooperative Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.04807v1
- Date: Fri, 04 Sep 2026 07:03:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.942094
- Title: CoLMIN: LLM-based Multi-Decision Path Negotiation for Cooperative Autonomous Driving
- Title（参考訳）: CoLMIN:LLMを用いた協調運転のための多方向経路ネゴシエーション
- Abstract要約: CoLMINは、協調自動運転における安定的で高品質なコンセンサスを達成することを目指している。
i)Negtiator-Evaluatorパラダイムを採用し、共同評価のための複数の候補駆動意図を生成するLLMベースのMulti-Intent Negotiationモジュール(LMin)、(ii)交渉結果を分析し、その後の交渉をガイドするためのフィードバックを提供する評価ベースのShallow Reflection Module(ESRM)、(iii)LLMベースのDeep Reflection Module(LDRM)、(iii)交渉履歴を長期にわたって反映して認知的固定を緩和し、システムに収束することを防ぐLLMベースのDeep Reflection Module(LDRM)の3つの主要なコンポーネントで構成されている。
- 参考スコア（独自算出の注目度）: 20.064328696931096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-vehicle cooperative autonomous driving enhances the safety and reliability of autonomous driving systems through information sharing among connected vehicles, demonstrating significant potential for improving traffic safety. LLM-based approaches leverage strong reasoning capabilities of LLMs to enable effective inter-vehicle negotiation and improve cooperative driving performance. However, driving decisions in complex traffic scenarios are inherently multi-solution in nature. As a result, existing negotiation-based methods often converge prematurely to suboptimal solutions, hindering consensus formation and limiting the practical deployment of cooperative autonomous driving systems. To address this challenge, we propose CoLMIN, the LLM-based multi-decision path negotiation framework for cooperative autonomous driving, achieving stable decision consensus through multi-decision path negotiation and reflective reasoning. To achieve stable and high-quality consensus in cooperative autonomous driving, CoLMIN consists of three key components: (i) an LLM-based Multi-Intent Negotiation module (LMin), which adopts a Negotiator-Evaluator paradigm and generates multiple candidate driving intentions for joint evaluation; (ii) an Evaluation-based Shallow Reflection Module (ESRM), which analyzes negotiation outcomes and provides feedback to guide subsequent negotiations, thereby accelerating consensus formation; and (iii) an LLM-based Deep Reflection Module (LDRM), which performs long-term reflection over negotiation histories to mitigate cognitive fixation and prevent the system from converging to suboptimal solutions. Experimental results in the CARLA simulation environment demonstrate that CoLMIN significantly outperforms existing methods in challenging interactive driving scenarios.
- Abstract（参考訳）: 多車種共同運転は、連結車両間の情報共有を通じて自律運転システムの安全性と信頼性を高め、交通安全を改善する重要な可能性を示す。
LLMに基づくアプローチは、LLMの強力な推論能力を活用して、車間交渉を効果的に実現し、協調運転性能を向上させる。
しかし、複雑な交通シナリオにおける意思決定は本質的には多重解である。
その結果、既存の交渉に基づく手法は、しばしば最適以下のソリューションに早急に収束し、コンセンサスの形成を阻害し、協調運転システムの実用的展開を制限する。
この課題に対処するため,我々は協調運転のためのLLMに基づくマルチ意思決定経路交渉フレームワークであるCoLMINを提案し,多決定経路交渉と反射的推論を通じて安定した意思決定合意を実現する。
協調運転における安定的で高品質なコンセンサスを達成するため、CoLMINは3つの重要な構成要素から構成されている。
i) ネゴチエータ・評価手法を採用し,共同評価のための複数の候補駆動意図を生成するLLMベースのマルチインテントネゴティエイトモジュール(LMin)
二 交渉結果を分析し、その後の交渉を指導し、合意形成を加速させるためのフィードバックを提供する評価ベースの浅反射モジュール(ESRM)
3)LLMベースのディープ・リフレクション・モジュール(LDRM)は、交渉履歴を長期にわたって反映して認知的固定を緩和し、システムが最適でない解に収束することを防止する。
CARLAシミュレーション環境での実験結果から、CoLMINは既存の手法よりもはるかに優れており、対話的な運転シナリオに挑戦する。
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 Orchestration with the Common-Sense Reasoning Capabilities of LLMs for Autonomous Driving [0.4063872661554895]
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。
論文 参考訳（メタデータ） (2026-08-20T14:56:15Z) - Learning to Negotiate: Multi-Agent Deliberation for Collective Value Alignment in LLMs [0.41998444721319217]
本研究は,大規模言語モデルを集合エージェント(CA)に整合させるマルチエージェント交渉に基づくアライメントフレームワークを提案する。
スケーラブルなトレーニングを実現するために、同一のLLMの2つのセルフプレイインスタンスは、反対のペルソナを割り当て、構造化されたターンベースの対話を行い、相互に有益なソリューションを合成する。
実験結果から, 単一エージェントベースラインに匹敵するCAアライメントを実現するとともに, 汎用言語能力を低下させることなく, コンフリクト分解性能を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2026-03-11T06:58:55Z) - Large Multimodal Models for Embodied Intelligent Driving: The Next Frontier in Self-Driving? [68.82027978227008]
この記事では、この課題に取り組むために、新しいセマンティクスとポリシーの二重駆動型ハイブリッド決定フレームワークを紹介します。
このフレームワークは、意味理解と認知表現のためのLMMと、リアルタイムポリシー最適化のための深層強化学習(DRL)を統合している。
本研究は,車線変更計画作業におけるフレームワークの性能優位性を検証するための事例研究である。
論文 参考訳（メタデータ） (2026-01-13T11:05:12Z) - COVLM-RL: Critical Object-Oriented Reasoning for Autonomous Driving Using VLM-Guided Reinforcement Learning [55.83415345423854]
批判的オブジェクト指向(CO)推論と強化学習(RL)を統合した新しいエンドツーエンド駆動フレームワークCOVLM-RLを提案する。
CARLAシミュレータで行った実験により、COVLM-RLはトレーニング運転環境における成功率を30%向上することが示された。
論文 参考訳（メタデータ） (2025-12-10T06:18:16Z) - 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) - 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) - 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) - KoMA: Knowledge-driven Multi-agent Framework for Autonomous Driving with Large Language Models [15.951550445568605]
自律エージェントとしての大規模言語モデル(LLM)は、知識駆動的な方法で現実の課題に取り組むための新しい道筋を提供する。
我々は,マルチエージェントインタラクション,マルチステップ計画,共有メモリ,ランキングベースのリフレクションモジュールからなるKoMAフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-19T12:13:08Z) - 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。