エージェント的なファスト・スロー計画による、大規模モデルの推論と実時間制御の橋渡し

arXiv cs.RO / 2026/4/3

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

提案手法「Agentic Fast-Slow Planning」は、LLMの推論と実時間制御を、時系列の自然なスケールに沿って分離・階層化するフレームワークとして提示されました。
Perception2Decisionでは、オンボードのVision-Language Model(VLM)でシーンをエゴ中心のトポロジに圧縮し、クラウド側のLLMで象徴的な運転ディレクティブへ変換して、帯域と遅延を抑えつつ解釈可能性を維持します。
Decision2Trajectoryでは、言語由来のソフトコストをSemantic-Guided A*に埋め込んで実行可能な経路を探索し、さらにエージェント的な改良モジュールでハイパーパラメータをフィードバックとメモリで適応させます。
実験（CARLA）では、外乱下で頑健性が向上し、純粋なMPCやA*-誘導型MPC比で車線（横方向）偏差が最大45%減、完了時間が12%以上改善されたと報告されています。
コードが公開されており、言語推論と古典的計画・MPC制御を「ブリッジ」で接続する実装可能性が示されています。