論文の概要: Retrieval-Augmented Large Language Model Decision-Making for Autonomous Driving Guided by Chinese Philosophical Wisdom

• arxiv url: http://arxiv.org/abs/2610.03948v1
• Date: Fri, 02 Oct 2026 19:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:13:20.717624
• Title: Retrieval-Augmented Large Language Model Decision-Making for Autonomous Driving Guided by Chinese Philosophical Wisdom
• Title（参考訳）: 検索型大規模言語モデル決定法-中国哲学的知恵が指導する自律運転法
• Abstract要約: 本稿では,中国哲学から派生した価値ガイダンスを自律運転意思決定に組み込んだ閉ループ検索拡張世代(RAG)フレームワークを提案する。 中国の儒教思想を知識源として、CPW-Driveは、関連する古典文からのキーワードを、手作業によるスクリーニングと検証を通じて、駆動関連価値原則に集約する。 その後、シナリオ固有のケースを通じてこれらの原則をコンテキスト化して、検索可能で再利用可能な価値ガイダンスを形成する。
• 参考スコア（独自算出の注目度）: 12.12616496190192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving decision systems must balance safety, efficiency, and social norms in complex traffic interactions. Philosophical and ethical considerations have received limited attention in existing autonomous driving decision-making approaches based on numerical optimization, sequence prediction, and large language models (LLMs). We propose Chinese Philosophical Wisdom-Guided Driving (CPW-Drive), a closed-loop retrieval-augmented generation (RAG) framework that incorporates value guidance derived from Chinese philosophy into autonomous driving decision-making. Using Chinese Confucian thought as its knowledge source, CPW-Drive consolidates LLM-extracted keywords from relevant classical texts into driving-relevant value principles through manual screening and validation. It then contextualizes these principles through scenario-specific cases to form retrievable and reusable value guidance. We further propose Physics-aware Spatial Similarity Retrieval (PSSR), which compares vehicle layouts and velocity-extrapolated states to retrieve physically relevant historical cases. On Highway-env's multilane highway-driving task, CPW-Drive achieves success rates of 93.0%, 86.0%, and 72.0% across three traffic configurations. These results outperform the strongest baseline by 8.0, 22.5, and 25.0 percentage points, respectively. Across all configurations, CPW-Drive achieves the highest collision-free step count and maintains a low lane-change frequency. The results suggest that structured value guidance can improve simulated closed-loop safety and stability while introducing efficiency and latency trade-offs.
• Abstract（参考訳）: 自律運転決定システムは、複雑な交通相互作用における安全性、効率、社会的規範のバランスをとる必要がある。 哲学的・倫理的考察は、数値最適化、シーケンス予測、および大規模言語モデル(LLM)に基づく、既存の自律運転意思決定アプローチにおいて限定的に注目されている。 我々は,中国哲学から派生した価値ガイダンスを自律運転意思決定に組み込んだ,閉ループ検索強化世代(RAG)フレームワークである中国哲学知恵誘導運転(CPW-Drive)を提案する。 CPW-Driveは、中国の儒教思想を知識源として、関連する古典テキストからLLM抽出したキーワードを、手作業によるスクリーニングと検証を通じて、駆動関連価値原則に集約する。 次に、シナリオ固有のケースを通じてこれらの原則をコンテキスト化して、検索可能で再利用可能な価値ガイダンスを形成する。 さらに,車両配置と速度測定状態を比較し,物理的に関係のある歴史的事例を検索する物理認識型空間類似検索(PSSR)を提案する。 Highway-envのマルチレーンハイウェイ走行タスクでは、CPW-Driveは3つの交通構成で93.0%、86.0%、72.0%の成功率を達成した。 これらの結果は、それぞれ8.0、22.5、25.0のスコアで最強のベースラインを上回っている。 全ての構成において、CPW-Driveは衝突のない最も高いステップカウントを達成し、低レーン交換周波数を維持する。 その結果, 構造的価値ガイダンスは, 効率性と遅延トレードオフを導入しながら, シミュレーションされたクローズドループの安全性と安定性を向上させることが示唆された。

関連論文リスト

• CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
  超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。 CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。 NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
  論文  参考訳（メタデータ） (2026-06-04T14:32:10Z)
• Pedestrian-Aware LLM-Driven Behavioral Planning for Autonomous Vehicles [5.343135467323389]
  歩行者対応行動計画のための大規模言語モデル(LLM)に基づく意思決定フレームワーク。 システムは、構造化されたシーンの観察を自然言語による推論のプロンプトに変換し、LLMは歩行者の意図を推測し、リスクを予測し、慎重な戦術的な運転決定を生成する。 本研究では, 予期せぬ歩行, ターンバック・クロス, ためらい, 双方向横断など, 複数の歩行者行動シナリオにおけるSUMOの枠組みを評価した。
  論文  参考訳（メタデータ） (2026-05-16T07:41:42Z)
• AutoDrive-R$^2$: Incentivizing Reasoning and Self-Reflection Capacity for VLA Model in Autonomous Driving [37.260140808367716]
  本稿では,自律運転システムの推論能力と自己回帰能力を両立させる新しいVLAフレームワークであるAutoDrive-R$2$を提案する。 まず,教師付き微調整のための新しいCoTデータセット nuScenesR$2$-6K を提案する。 次に, グループ相対政策最適化(GRPO)アルゴリズムを用いて, 信頼性の高い滑らかさと現実的な軌道計画を実現する。
  論文  参考訳（メタデータ） (2025-09-02T04:32:24Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• X-Driver: Explainable Autonomous Driving with Vision-Language Models [6.053632514335829]
  エンドツーエンドの自動運転は大幅に進歩し、システムの単純さや運転性能の向上といったメリットを提供している。 既存のフレームワークはまだクローズドループ評価の成功率の低下に悩まされており、実際のデプロイメントにおける制限を強調している。 我々は,クローズドループ自律運転用に設計された,マルチモーダルな大規模言語モデルフレームワークであるX-Driverを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T09:52:55Z)
• 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)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)

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。