SAM-LLM: パラメトリック微調整による解釈可能な車線変更軌道予測

- 自動運転向けの解釈可能な lane change trajectory prediction 手法「SAM-LLM」 - LLM の文脈推論能力と kinematic lane change model の物理的精度を組み合わせた hybrid architecture - LLM を finetuning し、生の座標ではなく trajectory model の物理パラメータを出力させる - 出力の使い分け - lane-keeping 時は離散座標を予測 - lane change 時は enhanced Sinusoidal Acceleration Model (SAM) のパラメータを生成 - lateral displacement、maneuver duration、initial lateral velocity、longitudinal velocity change - 得られる軌道は連続的かつ物理的に妥当で、解釈可能かつ計算効率が高い

- 従来の LLM ベース軌道予測は座標を直接出力するため解釈性・効率に課題 - 本研究はパラメータ出力により output size を座標ベース手法比で 80% 削減 - 性能面 - overall intention prediction accuracy 98.73% で state-of-the-art - 従来の LLM predictors と同等の性能を維持しつつ、explainability と resource efficiency で優位 - 物理モデルとの融合 - kinematic model のパラメータを LLM に出力させる点が新規 - 軌道が物理的に妥当で連続的になる

- hybrid architecture - LLM の contextual reasoning と kinematic lane change model の物理的精度を統合 - parametric finetuning - LLM を finetuning し、trajectory model の core physical parameters を出力させる - 出力の切替 - lane-keeping: 離散座標を予測 - lane change: enhanced Sinusoidal Acceleration Model (SAM) のパラメータを生成 - lateral displacement、maneuver duration、initial lateral velocity、longitudinal velocity change - パラメータから完全・連続・物理的に妥当な軌道を再構成 - 出力サイズ削減と解釈性・計算効率を両立

- overall intention prediction accuracy 98.73% を達成し state-of-the-art と報告 - 従来の LLM predictors と同等の性能であることを示す - output size が座標ベース手法比で 80% 削減されることを報告 - 具体的なデータセット名・実験設定・比較手法の詳細は要旨からは不明

- 解釈性と resource efficiency の利点を主張 - パラメータ出力により軌道モデルが解釈可能かつ計算効率が高い - 性能と説明性の両立を強調 - 従来 LLM predictors と同等性能を維持 - 限界・課題 - lane-keeping と lane change で出力形式が異なる設計の一般性 - パラメータ予測誤差が軌道全体に与える影響 - 実環境での検証範囲 - これらは要旨からは不明

- 要旨で直接参照・比較されている研究は明示されていない - 関連手法として次を検討 - Sinusoidal Acceleration Model (SAM) などの kinematic lane change models - LLM を用いた trajectory prediction / intention prediction の従来研究 - coordinate-based な軌道予測手法 - parametric trajectory representation を用いる予測研究