論文の概要: PlanContext: Benchmarking In-Context Driving Decision-Making

• arxiv url: http://arxiv.org/abs/2611.03067v1
• Date: Mon, 02 Nov 2026 12:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:31:59.542613
• Title: PlanContext: Benchmarking In-Context Driving Decision-Making
• Title（参考訳）: PlanContext: インコンテキスト駆動意思決定のベンチマーク
• Abstract要約: PlanContextは、コンテキスト内駆動意思決定を評価するためのベンチマークである。 我々は、コンテキスト的意思決定の正確性、道路コンプライアンス、およびクラスバランスメトリクスによる動的安全性を共同で評価する。 本研究は、エンド・ツー・エンドの運転システム評価において、コンテキスト内駆動意思決定を重要な補完要素として強調する。
• 参考スコア（独自算出の注目度）: 30.456892922054823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world driving requires context-aware decision-making. Existing end-to-end driving benchmarks primarily assess trajectory quality through safety, compliance, comfort, and driving progress, leaving context-dependent decision-making insufficiently characterized. To fill this gap, we present PlanContext, a benchmark for evaluating in-context driving decision-making. PlanContext constructs paired evaluations by varying high-level driving intentions while keeping the observed scene fixed, enabling a natural and controllable assessment of context-dependent decision-making. We further define six representative driving contexts and jointly evaluate contextual decision correctness, road compliance, and dynamic safety with class-balanced metrics. Experiments on 9,561 scene-condition instances from NAVSIM and 23 public end-to-end driving models show that high conventional driving-quality scores do not consistently correspond to strong route-level in-context driving decision-making. Further analysis shows that model behavior varies with decision timing, road structure, and traffic interaction depending on the decision required by the current context. Our results highlight in-context driving decision-making as an important complementary dimension for evaluating end-to-end driving systems.
• Abstract（参考訳）: 現実の運転にはコンテキスト対応の意思決定が必要である。 既存のエンドツーエンドの運転ベンチマークは、主に安全、コンプライアンス、快適さ、運転の進捗を通じて軌道品質を評価し、文脈に依存した意思決定が不十分に特徴付けられる。 このギャップを埋めるために、コンテクスト内駆動意思決定を評価するベンチマークであるPlanContextを提案する。 PlanContextは、観察されたシーンを固定しながら、ハイレベルな運転意図の変化によるペア評価を構築し、コンテキストに依存した意思決定の自然かつ制御可能な評価を可能にする。 さらに,6つの代表的な運転コンテキストを定義し,コンテキスト的意思決定の正確性,道路コンプライアンス,およびクラスバランスメトリクスによる動的安全性を共同評価する。 NAVSIMと23のパブリックエンド・ツー・エンド・ドライビングモデルによる9,561のシーンコンディション実験により、従来の運転品質の高いスコアは、強い経路レベルのインコンテクスト駆動決定に一貫して対応していないことが示された。 さらに分析したところ、現在の状況で求められる決定に応じて、決定タイミング、道路構造、交通相互作用によってモデルの挙動が変化することがわかった。 本研究は、エンド・ツー・エンドの運転システム評価において、コンテキスト内駆動意思決定を重要な補完要素として強調する。

関連論文リスト

• STEER: Route-Aware Adaptive Reasoning for Autonomous Driving [83.38241965942369]
  視覚言語行動(VLA)モデルは、エンドツーエンドの自動運転に優れていますが、CoT(Over-invoke chain-of-thinkt)推論の傾向は、人間の認知的落とし穴を反映しています。 近年の研究では、複雑なシーンに対してCoTを選択的にトリガーし、通常のシーンに直接応答することで、推論複雑性を動的に調節するアダプティブ推論によってこの問題に対処している。 STEERは、(i)ルーティング不確実性を意識したロールアウト、(ii)ルーティングの多様性をモデル不確実性と整合させるサンプリングを校正する、(ii)クロスルート・アドバンテージ・クレジットの2つの重要なコンポーネントを特徴とする、汎用的なオーバーレーソン緩和戦略である。
  論文  参考訳（メタデータ） (2026-10-31T07:32:06Z)
• DriveJudge: Rethinking Autonomous Driving Evaluation with Vision-Language Models [53.73898294218455]
  DriveJudgeは、ルール付き評価とVision-Language Model (VLM)推論を組み合わせた運転評価エージェントである。 運転品質分類と軌道選択という2つのベンチマークタスクを導入する。 DriveJudgeは、21.23 AUCによる運転品質分類と、最近のVLMベースのDriveCriticによる軌道優先選択では6.5%の成績を示した。
  論文  参考訳（メタデータ） (2026-06-15T23:39:36Z)
• AutoDriDM: An Explainable Benchmark for Decision-Making of Vision-Language Models in Autonomous Driving [26.866150191410032]
  AutoDriDMは,3次元にわたる6,650の質問 – Object, Scene, Decision – を備えた,意思決定中心の,プログレッシブなベンチマークです。 我々は、自律運転における知覚と判断能力の境界を明確化するために、主流の視覚言語モデルを評価する。 モデル推論プロセスの説明可能性分析を行い、論理的推論エラーなどの重要な障害モードを特定する。
  論文  参考訳（メタデータ） (2026-01-21T06:29:09Z)
• DriveCritic: Towards Context-Aware, Human-Aligned Evaluation for Autonomous Driving with Vision-Language Models [24.168614747778538]
  DriveCriticは、2つの重要なコントリビューションを特徴とする新しいフレームワークです。 データセットは、コンテキストが正しい判断に不可欠である、困難なシナリオのキュレートされたコレクションである。 DriveCriticモデルは、視覚的コンテキストとシンボル的コンテキストを統合することで、軌跡ペア間の調整を学ぶ。
  論文  参考訳（メタデータ） (2025-10-15T03:00:38Z)
• Case-based Reasoning Augmented Large Language Model Framework for Decision Making in Realistic Safety-Critical Driving Scenarios [1.5367554212163714]
  本稿では,ケースベース推論拡張大言語モデル(CBR-LLM)フレームワークを提案する。 本手法は,ダッシュカム映像からのセマンティックシーン理解と,関連する過去の運転事例の検索を統合する。 実験により、我々のフレームワークは意思決定の正確さ、品質の正当化、および人間の専門家の行動との整合性を改善することが示された。
  論文  参考訳（メタデータ） (2025-06-25T15:19:25Z)
• 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)
• 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)
• Interaction-Aware Decision-Making for Autonomous Vehicles in Forced Merging Scenario Leveraging Social Psychology Factors [7.812717451846781]
  インタラクションドライバの社会的行動と個人的目的の両方を取り入れた行動モデルを考える。 我々は、他のドライバーの意図をオンラインで見積もる、後退する水平制御に基づく意思決定戦略を開発する。
  論文  参考訳（メタデータ） (2023-09-25T19:49:14Z)
• Inverse Active Sensing: Modeling and Understanding Timely Decision-Making [111.07204912245841]
  我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。 意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-25T02:30:45Z)

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。