論文の概要: Not All Uncertainty Matters: Simulation-in-the-Loop Fast-Slow Reasoning for Decision-Critical Autonomous Driving System
- arxiv url: http://arxiv.org/abs/2610.09520v1
- Date: Wed, 07 Oct 2026 06:15:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.74977
- Title: Not All Uncertainty Matters: Simulation-in-the-Loop Fast-Slow Reasoning for Decision-Critical Autonomous Driving System
- Title（参考訳）: すべての不確実性:決定臨界自律運転システムのためのシミュレーション・イン・ザ・ループ高速スロー推論
- Abstract要約: 大規模視覚言語モデル(VLM)は、自律運転のための強力なオープンワールド認識と推論を提供する。
その高い計算コストと遅延推論は、継続的クラウドサイドの使用を非現実的にします。
タスク指向の高速なコラボレーションのためのシミュレーション・イン・ループ・フレームワークである textbf SIGMA を提案する。
- 参考スコア（独自算出の注目度）: 96.5886093331501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large vision-language models (VLMs) provide powerful open-world perception and reasoning for autonomous driving, but their high computational cost and inference latency make continuous cloud-side use impractical. This motivates fast--slow collaboration, where efficient onboard modules handle real-time perception and control while cloud models provide high-level reasoning only when needed. The key challenge is deciding when cloud reasoning should influence time-critical driving decisions. Existing methods often rely on perception uncertainty, heuristic triggers, or resource-driven policies, without assessing whether resolving an uncertainty will improve planning. We propose \textbf{SIGMA}, a simulation-in-the-loop framework for task-oriented fast--slow collaboration. SIGMA embeds the planner into uncertainty assessment and evaluates how plausible scene realizations under semantic and geometric uncertainty affect feasible trajectories and planning cost. Based on these outcomes, it estimates the expected reduction in planning cost from resolving uncertainty. We further introduce expected planning gain (EPG), a decision-level metric for cloud invocation, cloud-guidance integration, and request prioritization under deadline and resource constraints. Experiments in CARLA show that SIGMA reduces unnecessary cloud interactions while improving planning, efficiency, and navigation success in static and dynamic obstacle scenarios. Compared with fixed-period collaboration, SIGMA reduces unnecessary cloud interactions by 50\%, improves navigation success by more than 6\%, and cuts finish time by up to 26.2\% in dynamic scenarios.
- Abstract（参考訳）: 大規模ビジョン言語モデル(VLM)は、強力なオープンワールド認識と自律運転の推論を提供するが、その高い計算コストと推論遅延は、継続的クラウドサイドの使用を非現実的にする。
効率的なオンボードモジュールはリアルタイムの認識と制御を処理し、クラウドモデルは必要な時にのみ高いレベルの推論を提供する。
重要な課題は、クラウドの推論がタイムクリティカルな運転決定にいつ影響するかを決めることだ。
既存の方法は、不確実性の解決が計画を改善するかどうかを評価することなく、認識の不確実性、ヒューリスティックなトリガー、またはリソース駆動のポリシーに依存していることが多い。
タスク指向の高速-スロー協調のためのシミュレーション・イン・ループ・フレームワークである \textbf{SIGMA} を提案する。
SIGMAは、プランナーを不確実性評価に組み込み、意味的および幾何的不確実性の下でのもっともらしいシーンの実現が、実現可能な軌跡や計画コストにどのように影響するかを評価する。
これらの結果に基づいて、不確実性の解消による計画コストの削減が期待できると見積もっている。
さらに、予測計画ゲイン(EPG)、クラウド呼び出し、クラウドガイダンス統合、期限とリソース制約による要求優先順位付けのための決定レベルメトリックについても紹介する。
CARLAの実験では、SIGMAは、静的および動的障害シナリオにおける計画、効率、ナビゲーションの成功を改善しながら、不要なクラウドインタラクションを削減している。
固定期間のコラボレーションと比較すると、SIGMAは不要なクラウドインタラクションを50%削減し、ナビゲーション成功を6倍以上改善し、動的シナリオの完了時間を最大26.2倍に短縮する。
関連論文リスト
- Risk-Adaptive Edge--Cloud Visual Reasoning for Communication-Efficient Autonomous Driving [6.115137181728187]
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。
論文 参考訳（メタデータ） (2026-08-15T02:36:01Z) - World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。
内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。
nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
論文 参考訳（メタデータ） (2026-07-12T07:44:16Z) - Cloud Is Closer Than It Appears: Revisiting the Tradeoffs of Distributed Real-Time Inference [3.9986079633630975]
サイバー物理システム(CPS)のディープニューラルネットワーク(DNN)は知覚の忠実度を高めるが、実行プラットフォームにかなりの計算的要求を課す。
従来の分散CPSアーキテクチャは、ネットワークのばらつきや競合によるリモートプラットフォームへの遅延を避けるためにデバイス上の推論を好んでいる。
本研究では、クラウドベースの推論が本質的に遅延に敏感な制御タスクには適さないという仮定を再考する。
論文 参考訳（メタデータ） (2026-02-17T20:44:13Z) - CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。
提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2025-08-15T07:49:22Z) - Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。
本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。
わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
論文 参考訳（メタデータ） (2025-07-15T14:24:01Z) - Opportunistic Collaborative Planning with Large Vision Model Guided Control and Joint Query-Service Optimization [74.92515821144484]
オープンなシナリオで自動運転車をナビゲートすることは、目に見えない物体を扱うのが難しいため、課題である。
既存のソリューションは、一般化に苦しむ小さなモデルか、リソース集約的な大きなモデルに依存している。
本稿では,効率的なローカルモデルと強力なクラウドモデルをシームレスに統合するオポチュニティ協調計画(OCP)を提案する。
論文 参考訳（メタデータ） (2025-04-25T04:07:21Z) - FASIONAD++ : Integrating High-Level Instruction and Information Bottleneck in FAt-Slow fusION Systems for Enhanced Safety in Autonomous Driving with Adaptive Feedback [15.55944950850973]
FASIONADは、VLMベースの推論モジュールで高速なエンドツーエンドプランナーをシナジする、新しいデュアルシステムフレームワークである。
オープンループ実験では、FASIONADは平均$L2$軌道誤差を6.7%削減し、28.1%$衝突率を下げる。
論文 参考訳（メタデータ） (2025-03-11T08:27:01Z) - DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Fractional Deep Reinforcement Learning for Age-Minimal Mobile Edge
Computing [11.403989519949173]
本研究は,AOI( Age-of-Information)によって測定された計算集約更新の時系列に焦点をあてる。
我々は,AoIのタスク更新とオフロードポリシを分断形式で共同で最適化する方法について検討する。
実験の結果,提案アルゴリズムは,いくつかの非フラクタルベンチマークと比較して平均AoIを57.6%削減できることがわかった。
論文 参考訳（メタデータ） (2023-12-16T11:13:40Z)
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。