PRAM-R：LLM誘導モダリティルーティングによる適応的自動運転のための知覚-推論-行動-記憶フレームワーク

- 自律運転向けの統合フレームワーク PRAM-R を提案。 - Perception-Reasoning-Action-Memory の4要素で構成。 - LLM-Guided Modality Routing を採用。 - 非同期の dual-loop 設計。 - fast reactive loop：知覚と制御を担当。 - slow deliberative loop：推論による modality 選択と memory 更新。 - 環境文脈と sensor diagnostics を用いて modality を選択・重み付け。 - hierarchical memory で時間的一貫性と長期適応を支援。

- 全 sensor 常時稼働の multimodal perception は計算コストが高いという課題に対処。 - LLM router による動的 modality 選択を導入。 - hysteresis-based stabilization で routing oscillations を 87.2% 削減。 - nuScenes で modality を 6.22% 削減しつつ、複雑都市環境で full-modality baseline と同等の trajectory accuracy を維持。 - 20% の memory recall を達成。 - 先行研究との具体的比較は要旨からは不明。

- 非同期 dual-loop アーキテクチャ。 - fast reactive loop：知覚・制御。 - slow deliberative loop：推論駆動の modality 選択と memory 更新。 - LLM router が環境文脈と sensor diagnostics に基づき modality を選択・重み付け。 - hierarchical memory module が時間的一貫性を保持し長期適応を支援。 - hysteresis-based stabilization で routing oscillations を抑制。

- 2段階評価を実施。 - synthetic stress tests：安定性解析。 - routing oscillations が 87.2% 削減。 - real-world validation：nuScenes dataset。 - modality 6.22% 削減。 - memory recall 20%。 - 複雑都市シナリオで full-modality baseline と同等の trajectory accuracy を維持。

- LLM 拡張アーキテクチャと hierarchical memory が効率的で適応的な multimodal perception を実現することを示唆。 - 計算コスト削減と性能維持の両立を主張。 - 限界や今後の課題、倫理的議論は要旨からは不明。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として以下が考えられる。 - LLM-based routing - hierarchical memory - multimodal perception - nuScenes dataset - hysteresis-based stabilization - 同分野の定番として autonomous driving の multimodal fusion や adaptive perception に関する研究を読むべき。