日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転プランニングarXiv:2606.25509

ASSCG: 自動運転における高速・低速LLMプランニングのための適切なゲーティング

ASSCG: Just-Right Gating over Chattering for Fast-Slow LLM Planning in Autonomous Driving

シェア:XThreadsFacebookLINEはてブBluesky

大規模言語モデルを自動運転プランニングに使う際、低速システムの呼び出しをリソースを考慮した逐次決定問題として捉え、フレームごとにQuery/Cache/Dropを決める適応ゲートASSCGを提案。nuPlanとNAVISIMで性能向上と遅延削減を実証。

詳しい要約

1. どんなもの?

- LLMを活用した自動運転計画の高速化・低コスト化を目的とした枠組み。 - 低速システムの呼び出しを資源考慮型の逐次意思決定問題として定式化。 - Adaptive Slow-System Control Gate (ASSCG) を提案。 - フレーム単位で Query/Cache/Drop を判断し、低速ガイダンスを更新・再利用・抑制。 - RWKV backbone で長期的な gating を効率化。 - 2つの fast-slow アーキテクチャに適用。

2. 先行研究と比べてどこがすごい?

- 既存の fast-slow planner は手設計のトリガ規則に依存し、低速システムを過剰に呼ぶか誤ったタイミングで呼ぶ問題があった。 - ASSCG は資源を考慮した学習ベースの gating により、必要な時だけ低速システムを呼ぶ。 - AsyncDriver on nuPlan Hard20 で score 67.28 (+2.28) かつ平均 end-to-end 推論遅延を60%削減。 - RecogDrive-based dual system on NAVSIM で 91.4 PDMS (+0.6) かつ平均速度25%向上。

3. 技術・手法の肝は?

- 低速システム呼び出しを resource-aware sequential decision problem として定式化。 - ASSCG は frame-level で Query/Cache/Drop を決定。 - RWKV backbone を採用し、効率的な long-horizon gating を実現。 - supervised fine-tuning の後、GRPO-style compute-aware reinforcement fine-tuning で訓練。 - 2つの fast-slow アーキテクチャに適用可能。

4. どうやって有効だと検証した?

- AsyncDriver on nuPlan Hard20 closed-loop evaluation で評価。 - score 67.28 (+2.28)、平均 end-to-end 推論遅延60%削減。 - RecogDrive-based dual system on NAVSIM で評価。 - 元の VLM-2B モジュールを軽量 ViT-based fast planner に置換し、LLM slow planner を追加。 - 91.4 PDMS (+0.6)、平均速度25%向上。 - プロジェクトページで動画可視化と追加結果を公開。

5. 議論はある?

- 要旨からは不明。 - 手設計トリガの課題を解決する点は述べられているが、限界や失敗事例、計算コストの詳細な議論は要旨に含まれない。

6. 次に読むべき論文は?

- AsyncDriver - RecogDrive - nuPlan Hard20 - NAVSIM - RWKV - GRPO - VLM-2B - ViT-based fast planner - LLM slow planner

※ 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: Sining Ang, Yuan Chen, Liu Haiyan, Xuanyao Mao, Jason Bao, Xuliang, Bingchuan Sun, Yan Wang

分類: cs.RO, cs.CV

原文アブストラクト

Large language models (LLMs) can improve autonomous driving planning but are costly to query online, and existing fast-slow planners often rely on hand-designed triggering rules that either over-call the slow system or call it at the wrong times. We formulate slow-system invocation as a resource-aware sequential decision problem and propose the Adaptive Slow-System Control Gate (ASSCG), which makes frame-level Query/Cache/Drop decisions to refresh, reuse, or suppress slow guidance. ASSCG uses an RWKV backbone for efficient long-horizon gating and is trained with supervised fine-tuning followed by GRPO-style compute-aware reinforcement fine-tuning. We apply ASSCG to two different fast-slow architectures: (i) AsyncDriver on nuPlan Hard20 closed-loop evaluation, where ASSCG improves score to 67.28 (+2.28) while reducing average end-to-end inference latency by 60%; and (ii) a RecogDrive-based dual system that we build by replacing its original VLM-2B module with a lightweight ViT-based fast planner and adding an LLM slow planner, evaluated on NAVSIM, where ASSCG achieves 91.4 PDMS (+0.6) and increases average speed by 25%. The project page, including video visualizations and additional results, is available at https://williamxuanyu.github.io/asscg/.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI