Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework

Created by
  • Haebom

作者

Shiyu Fang, Jiaqi Liu, Mingyu Ding, Yiming Cui, Chen Lv, Peng Hang, Jian Sun

概要

この論文では、複雑な状況での自律走行車の安全性と効率性を向上させるために、大規模言語モデル(LLM)ベースの相互作用的で学習可能な協力走行フレームワークであるCoDrivingLLMを提案します。 LLMの数学的計算不足の問題を解決するために環境モジュールを導入し、SAE J3216規格に基づく4段階CDAを考慮してChain-of-Thought(COT)ベースの推論モジュールを設計し、多段階推論の安定性を高めました。また、集中型の競合解決機能とメモリモジュール、検索拡張の作成を通じて過去の経験から学習する能力を与えました。実験を通して、交渉モジュール、様々な経験ベースの推論、他の協力走行方法との比較を行い、CoDrivingLLMの妥当性を検証した。

Takeaways、Limitations

Takeaways:
LLMを活用した協力走行フレームワークを提示し、すべてのシナリオとCDAに適用可能性を高めました。
環境モジュールとCOTベースの推論モジュールにより、LLMの限界を補完し、安定した協力走行を可能にしました。
メモリモジュールと検索拡張の作成により、継続的な学習と経験ベースの意思決定を可能にしました。
Limitations:
実際の道路環境での実験結果は示されていない。シミュレーション環境の結果だけでは、実際の適用性を完全に検証することは困難です。
LLMの計算誤差を防ぐための環境モジュールの導入は、LLMの直接制御方式に代わるものであり、根本的な解決策ではありません。 LLMの数学的能力の向上に関する研究がさらに必要となる場合がある。
集中型衝突解決のスケーラビリティとリアルタイム処理性能の分析が不足している。複雑な交通状況での効率性のさらなるレビューが必要です。
👍