核心概念
本稿では、交通規制を遵守した解釈可能な意思決定を行う自動運転車のためのフレームワークを提案する。検索拡張生成に基づく交通規制検索エージェントと、大規模言語モデルを用いた推論エージェントを統合することで、複雑な交通ルールを理解し、状況に応じた安全かつコンプライアンスに準拠した運転を実現する。
要約
本稿では、自動運転車における交通規制遵守のための解釈可能な意思決定フレームワークについて述べられています。従来のルールベースの手法では、膨大な交通ルールをすべて組み込むことが困難でしたが、本稿では、検索拡張生成(RAG)に基づく交通規制検索(TRR)エージェントを開発することで、この問題に対処しています。TRRエージェントは、膨大な規制文書や関連記録から、自動運転車の状況に基づいて関連する交通ルールやガイドラインを自動的に検索します。さらに、検索されたルールの意味的な複雑さを考慮し、大規模言語モデル(LLM)を用いた推論モジュールを設計し、ルールの解釈、義務ルールの識別、安全ガイドラインとの区別、法的遵守と安全性に関する行動の評価を行います。
フレームワークの概要
提案されたフレームワークは、主に以下の2つのコンポーネントで構成されています。
- 交通ルール検索エージェント: 運転状況に基づいて、関連する交通ルールを規制文書から検索します。
- 推論エージェント: 検索された交通ルールに基づいて、各行動が交通ルールに準拠しているかどうかを判断します。
フレームワークの利点
本稿で提案されたフレームワークは、以下の利点を持っています。
- 解釈可能性: 推論プロセスは解釈可能であるため、透明性と信頼性が向上します。
- 網羅性: 交通規制、規範、安全ガイドラインを包括的に統合しています。
- 適応性: 異なる地域へのシームレスな適応が可能です。
実験結果
提案されたフレームワークは、仮説シナリオと現実世界のシナリオの両方で評価され、いずれの場合も堅牢なパフォーマンスを示しました。特に、地域特有の規制や判例が必要とされるシナリオでは、TRRエージェントを組み込むことで、意思決定の精度が大幅に向上しました。
結論
本稿で提案されたフレームワークは、自動運転システムの安全性と信頼性を大幅に向上させ、規制当局と国民の信頼を高めるものと期待されます。
統計
シナリオアクション推論の精度は、ベースラインの76%から100%に向上しました。
意思決定の精度は、ベースラインの76%から100%に向上しました。
nuScenesデータセットから選択した17個の現実世界のシナリオのうち15個で、モデルは正しい出力を生成しました。
引用
"LLMは、自然言語を理解し、複雑なシナリオを解釈する上で、目覚ましい能力を実証している。"
"RAGの動的な検索機能により、地域固有の交通ルールへのリアルタイムなアクセスが可能になり、多様な規制環境に適応するという課題に対処できる。"
"本稿では、交通ルール遵守のための、解釈可能なLLM主導の意思決定フレームワークを紹介する。"