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:2510.26023

大規模言語モデルによる自動運転車のスタックからの自律復帰

Large Language Model-assisted Autonomous Vehicle Recovery from Immobilization

シェア:XThreadsFacebookLINEはてブBluesky

LLMを活用し、自動運転車が立ち往生した際に自己推論や乗客の指示で復帰するプラグイン型フレームワークStuckSolverを提案し、ベンチマークで有効性を示した。

詳しい要約

1. どんなもの?

- 対象: 自動運転車(AV)が人間ドライバーは対応できるがAVは停止(immobilized)してしまう交通シナリオ - 提案: StuckSolver という LLM 駆動の復帰(recovery)フレームワーク - 特徴: AV の自己推論(self-reasoning)と乗客ガイダンス(passenger-guided decision-making)で復帰を図る - 形態: 既存の perception-planning-control stack 上に載る plug-in add-on モジュール - 目的: 交通流の阻害を防ぎ、remote intervention や manual takeover の代替を狙う

2. 先行研究と比べてどこがすごい?

- 先行の復帰手段: remote intervention は高コスト・非効率、manual takeover は非ドライバーを排除し AV のアクセシビリティを制限 - 提案手法の利点: 既存 AV の内部アーキテクチャを変更せず plug-in として動作 - 標準センサデータストリームに接続するだけで immobilization 検出・環境解釈・復帰コマンド生成を行う - 乗客ガイダンスを組み込める点が先行の復帰手法と異なる - 具体的な先行研究名との比較は要旨からは不明

3. 技術・手法の肝は?

- 中核: LLM による自己推論と乗客ガイダンスに基づく意思決定 - 入力: 標準センサデータストリーム(環境コンテキスト解釈に使用) - 処理: immobilization 状態の検出、環境コンテキストの解釈、高レベル復帰コマンドの生成 - 出力: AV の native planner が実行可能な高レベル復帰コマンド - 設計: 既存 perception-planning-control stack を改変しない add-on 構成 - LLM の具体的モデル名やプロンプト設計は要旨からは不明

4. どうやって有効だと検証した?

- 評価ベンチマーク: Bench2Drive benchmark - 追加評価: 独自設計の uncertainty scenarios(不確実性シナリオ) - 結果: 自律的な self-reasoning のみで near-state-of-the-art 性能を達成 - 乗客ガイダンスを組み込むとさらなる改善を確認 - 具体的な指標・ベースライン・数値は要旨からは不明

5. 議論はある?

- 想定される利点: remote intervention のコスト・非効率性の回避、manual takeover 不要によるアクセシビリティ向上 - 位置づけ: 既存スタック非改変の plug-in であるため導入障壁が低い可能性 - 限界や失敗ケース、LLM の信頼性・安全性に関する議論は要旨からは不明 - 乗客ガイダンスの具体的な入力形態や負担については要旨からは不明

6. 次に読むべき論文は?

- Bench2Drive benchmark(評価に使用) - remote intervention に関する研究(比較対象として言及) - manual takeover / 自動運転の引き継ぎに関する研究(比較対象として言及) - LLM を用いた自動運転の planning / decision-making 関連研究(同分野の定番) - 具体的な論文名の参照は要旨からは不明

※ 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: Zhipeng Bao, Qianwen Li

分類: cs.AI, cs.RO

原文アブストラクト

Despite significant advancements in recent decades, autonomous vehicles (AVs) continue to face challenges in navigating certain traffic scenarios where human drivers excel. In such situations, AVs often become immobilized, disrupting overall traffic flow. Current recovery solutions, such as remote intervention (which is costly and inefficient) and manual takeover (which excludes non-drivers and limits AV accessibility), are inadequate. This paper introduces StuckSolver, a novel Large Language Model (LLM) driven recovery framework that enables AVs to resolve immobilization scenarios through self-reasoning and/or passenger-guided decision-making. StuckSolver is designed as a plug-in add-on module that operates on top of the AV's existing perception-planning-control stack, requiring no modification to its internal architecture. Instead, it interfaces with standard sensor data streams to detect immobilization states, interpret environmental context, and generate high-level recovery commands that can be executed by the AV's native planner. We evaluate StuckSolver on the Bench2Drive benchmark and in custom-designed uncertainty scenarios. Results show that StuckSolver achieves near-state-of-the-art performance through autonomous self-reasoning alone and exhibits further improvements when passenger guidance is incorporated.

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. 2newmo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
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  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