プロンプトから路面へ：自動運転車のためのLMMベースエージェント型行動木生成フレームワーク
From Prompts to Pavement: LMMs-based Agentic Behavior-Tree Generation Framework for Autonomous Vehicles
LLMと視覚言語モデルをエージェントとして使い、自動運転車の行動木をその場で生成・適応させるフレームワークを提案し、CARLA+Nav2で障害物回避を実証した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Omar Y. Goba, Ahmed Y. Gado, Catherine M. Elias, Ahmed Hussein
分類: cs.CV, cs.AI, cs.RO
原文アブストラクト
Autonomous vehicles (AVs) require adaptive behavior planners to navigate unpredictable, real-world environments safely. Traditional behavior trees (BTs) offer structured decision logic but are inherently static and demand labor-intensive manual tuning, limiting their applicability at SAE Level 5 autonomy. This paper presents an agentic framework that leverages large language models (LLMs) and multi-modal vision models (LVMs) to generate and adapt BTs on the fly. A specialized Descriptor agent applies chain-of-symbols prompting to assess scene criticality, a Planner agent constructs high-level sub-goals via in-context learning, and a Generator agent synthesizes executable BT sub-trees in XML format. Integrated into a CARLA+Nav2 simulation, our system triggers only upon baseline BT failure, demonstrating successful navigation around unexpected obstacles (e.g., street blockage) with no human intervention. Compared to a static BT baseline, this approach is a proof-of-concept that extends to diverse driving scenarios.
関連論文
- COR-MP: 資源保存モデルに基づく自動運転の行動計画自動運転/行動計画
- ゲーム理論と分岐モデル予測制御による自動車線合流自動運転/行動計画
- 自動運転の行動計画のためのモンテカルロ木探索自動運転/行動計画
- 交通規則遵守を考慮した自動運転車の統合行動計画と運動制御自動運転/行動計画
- 複雑な運転状況におけるリスクモデルを用いた重要度フィルタリング自動運転/行動計画
- 予測不確実性を考慮した自動運転車の社会的協調行動設計と実走行データによる検証自動運転/行動計画
