論文の概要: DriveMCP: An Agentic AI framework for Advanced Driver Assistance System
- arxiv url: http://arxiv.org/abs/2609.17247v1
- Date: Tue, 15 Sep 2026 14:29:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.566046
- Title: DriveMCP: An Agentic AI framework for Advanced Driver Assistance System
- Title（参考訳）: DriveMCP: 高度なドライバ支援システムのためのエージェントAIフレームワーク
- Abstract要約: DriveMCPは、認識、コンプライアンス推論、車両状態解釈、安全性判断をモジュールパイプラインに統合する。
このアーキテクチャは、DriveLMと共にセンサーのような知覚スタックを視覚言語フロントエンドとして組み込んでいる。
マルチリンガル、クロスボーダー、ダイナミックな速度制限シナリオにわたるCARLAシミュレーションでは、DriveMCPはトラフィックの屈折とオーバースピードを低減する。
- 参考スコア（独自算出の注目度）: 0.5735035463793009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An agentic AI driver-assistance framework that integrates perception, compliance reasoning, vehicle-state interpretation, and safety arbitration into a modular and auditable pipeline. The architecture, referred to as DriveMCP, incorporates a sensor-like perception stack alongside DriveLM as the vision-language front end to generate a graph-structured scene understanding (Graph Visual Question Answering) and language-grounded driving information. Key compliance elements in world_state, including posted speed limits and jurisdiction cues, are derived from DriveLM outputs through a structured parsing layer rather than being injected as simulator ground truth. A stateful orchestration layer coordinates specialized experts exposed as Model Context Protocol (MCP) servers: (i) a Rules server that performs retrieval-augmented compliance reasoning over jurisdiction-specific traffic codes and sign conventions, (ii) a Weather server that estimates traction risk and contextual speed advisories, and (iii) an MCP-CAN server that surfaces Controller Area Network (CAN)/On-Board Diagnostics (OBD) telemetry and diagnostic context for health-aware risk shaping. These outputs are fused to generate a structured decision that prompts a recommended course of action. The outcome is then further filtered by a Responsibility-Sensitive Safety (RSS)-inspired guardrail that arbitrates speak versus act decisions under bounded online adaptation. In CARLA simulation across multilingual, cross-border, and dynamic speed-limit scenarios, DriveMCP reduces traffic infractions and overspeed relative to the VLM-Direct, VLM-Direct+RAG, and VLM-Tools-NoArbiter baselines, while improving hazard response time and maintaining sub-second advisory latency.
- Abstract（参考訳）: 知覚、コンプライアンス推論、車両状態解釈、安全判断をモジュール的で監査可能なパイプラインに統合するエージェントAIドライバ支援フレームワーク。
DriveMCPと呼ばれるアーキテクチャは、DriveLMと共にセンサーのような知覚スタックを視覚言語フロントエンドとして組み込んで、グラフ構造化シーン理解(Graph Visual Question Answering)と言語基底駆動情報を生成する。
world_stateの重要なコンプライアンス要素は、ポストスピード制限やオーディションキューなどであり、シミュレータ基底真理として注入されるのではなく、構造化パーシング層を介してDriveLM出力から導かれる。
ステートフルなオーケストレーションレイヤは、Model Context Protocol(MCP)サーバとして公開されている専門家をコーディネートする。
一 管轄特定交通法規及び署名規程に関する検索強化コンプライアンス推論を行う規則サーバ
二 トラクションリスク及び文脈速度勧告を見積もる気象サーバ
三 健康に配慮したリスク形成のためのコントロールエリアネットワーク(CAN)/オンボード診断(OBD)テレメトリー及び診断コンテキストをサーフェスするMPP-CANサーバ。
これらの出力を融合して構造化された決定を生成し、推奨されたアクションの手順を促す。
結果はさらにRSS(Responsibility-Sensitive Safety)にインスパイアされたガードレールによってフィルタリングされる。
マルチリンガル、クロスボーダー、ダイナミックな速度制限シナリオにわたるCARLAシミュレーションでは、DriveMCPはVLM-Direct、VLM-Direct+RAG、VLM-Tools-NoArbiterベースラインに対するトラフィック違反とオーバースピードを低減し、ハザード応答時間を改善し、サブ秒のアドバイザリ遅延を維持する。
関連論文リスト
- Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges [58.887152635127165]
拡散言語モデル(DLM)は、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する
DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを利用することができる。
この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
論文 参考訳（メタデータ） (2026-09-04T06:16:49Z) - CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity [22.68559728326395]
CyberLLMは、脆弱性を自律的に検出し、正式なランタイム安全ガードの下で修正を実行するフレームワークである。
決定エージェントは発見を集約し、人間中心のアセット分類でタグ付けし、タイレッド応答を選択する。
対称攻撃パイプラインはエクスプロイトを生成し再生し、両方のサイドを同じシナリオで実行することができる。
論文 参考訳（メタデータ） (2026-08-06T23:39:13Z) - Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。
身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。
ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
論文 参考訳（メタデータ） (2026-05-06T16:30:48Z) - AICCE: AI Driven Compliance Checker Engine [0.26385121748044166]
AICCE(Artificial Intelligence Driven Compliance Checker Engine)は、二重アーキテクチャ推論と検索拡張生成を組み合わせた新しい生成システムである。
AICCEは、決定信頼性を高めるための議論のメカニズムにより、16個の最先端生成モデルにわたるIPv6パケットサンプルでテストした場合、精度とF1スコアを最大99%達成する。
論文 参考訳（メタデータ） (2026-04-03T00:45:24Z) - UAV traffic scene understanding: A regulation embedded multi-modal network and a unified benchmark [22.241798167957214]
無人航空機(UAV)プラットフォームからの交通状況の理解は、インテリジェント輸送システムにとって不可欠である。
既存の手法は、光学画像に大きく依存しているため、現実世界の監視において重大な課題に直面している。
本稿では,UAVトラフィックシーン理解のための新しいマルチモーダルトラフィック認知ネットワーク(MTCNet)を提案する。
論文 参考訳（メタデータ） (2026-03-11T12:53:38Z) - SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。
トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
論文 参考訳（メタデータ） (2026-01-09T08:55:42Z) - Enhancing LLM-based Autonomous Driving with Modular Traffic Light and Sign Recognition [15.4994260281059]
大規模言語モデル(LLM)は、自律運転における意思決定と計画にますます利用されている。
LLMをベースとした自律走行エージェントを明示的な信号と信号認識で拡張するモジュール冗長層であるTLS-Assistを導入する。
LMDriveを14%,BEVDriverを7%,運転性能を14%向上させた。
論文 参考訳（メタデータ） (2025-11-18T11:52:52Z) - DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。
この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。
本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-13T05:01:09Z) - 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) - Hints of Prompt: Enhancing Visual Representation for Multimodal LLMs in Autonomous Driving [55.609997552148826]
Hints of Prompt (HoP) フレームワークを提案する。
これらのヒントはHint Fusionモジュールを通じて融合され、限られたドメインデータで駆動関連表現をキャプチャすることで視覚表現を豊かにする。
大規模な実験により、HoPフレームワークの有効性が確認され、すべての主要な指標において、従来の最先端メソッドよりも大幅に優れていることが示されている。
論文 参考訳（メタデータ） (2024-11-20T06:58:33Z) - TARGET: Automated Scenario Generation from Traffic Rules for Testing Autonomous Vehicles via Validated LLM-Guided Knowledge Extraction [8.029974249105443]
TARGETは、トラフィックルールからテストシナリオを自動的に生成するエンドツーエンドフレームワークである。
交通ルールから知識を抽出するために,Large Language Model (LLM) を利用する。
TARGETはシナリオをシミュレーションでレンダリングするために実行可能なスクリプトを合成する。
論文 参考訳（メタデータ） (2023-05-10T10:04:08Z)
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。