日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転arXiv:2505.22067

失敗から修正へ:LLM駆動型シナリオ修復による自己進化型自動運転

From Failures to Fixes: LLM-Driven Scenario Repair for Self-Evolving Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

自動運転の失敗事例をLLMで分析し、意味的に関連するシナリオを推薦・選定して少数ショット微調整を行う自己進化フレームワークSERAを提案。

詳しい要約

1. どんなもの?

- 自動運転システムの failure case を LLM で修復する SERA というフレームワーク - 性能ログを解析して failure pattern を特定し、構造化 scenario bank から意味的に整合する scenario を動的に取得 - LLM-based reflection mechanism で推薦を洗練させ、few-shot fine-tuning に用いる - 対象は safety-critical な scenario を含む自動運転の自己進化

2. 先行研究と比べてどこがすごい?

- 既存の scenario generation/selection 手法は adaptivity と semantic relevance に欠け、性能改善への影響が限定的 - SERA は性能ログに基づく failure pattern 解析と意味的 retrieval を組み合わせ、対象を絞った修復を実現 - LLM-based reflection により推薦の relevance と diversity を最大化 - minimal data の few-shot fine-tuning で targeted adaptation を可能にする点が差分

3. 技術・手法の肝は?

- 性能ログを解析して failure pattern を同定 - 構造化された scenario bank から意味的に整合する scenario を動的に retrieval - LLM-based reflection mechanism で推薦内容を反復的に洗練し relevance と diversity を向上 - 選択された scenario で few-shot fine-tuning を行い、対象を絞った適応を実現

4. どうやって有効だと検証した?

- benchmark 上で複数の autonomous driving baseline に対して実験 - safety-critical 条件下で主要 metrics が一貫して改善 - 有効性と generalizability を示したと報告 - 具体的な benchmark 名や baseline 名、数値は要旨からは不明

5. 議論はある?

- 既存手法の adaptivity と semantic relevance の不足を課題として提示 - failure case の効率的な repair と safety-critical scenario の重要性を議論 - LLM-based reflection が relevance と diversity の最大化に寄与すると主張 - 限界や失敗事例、計算コストなどの詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として scenario generation / selection、failure case mining、LLM-based reflection、few-shot fine-tuning の各分野の代表的論文を次に読むべき - autonomous driving の safety-critical scenario benchmark に関する文献も候補

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xinyu Xia, Xingjun Ma, Yunfeng Hu, Ting Qu, Hong Chen, Xun Gong

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Ensuring robust and generalizable autonomous driving requires not only broad scenario coverage but also efficient repair of failure cases, particularly those related to challenging and safety-critical scenarios. However, existing scenario generation and selection methods often lack adaptivity and semantic relevance, limiting their impact on performance improvement. In this paper, we propose \textbf{SERA}, an LLM-powered framework that enables autonomous driving systems to self-evolve by repairing failure cases through targeted scenario recommendation. By analyzing performance logs, SERA identifies failure patterns and dynamically retrieves semantically aligned scenarios from a structured bank. An LLM-based reflection mechanism further refines these recommendations to maximize relevance and diversity. The selected scenarios are used for few-shot fine-tuning, enabling targeted adaptation with minimal data. Experiments on the benchmark show that SERA consistently improves key metrics across multiple autonomous driving baselines, demonstrating its effectiveness and generalizability under safety-critical conditions.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI