C-TRAIL：自動運転における軌道計画のためのコモンセンス・ワールド・フレームワーク

arXiv cs.AI / 2026/4/1

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、自動運転の軌道計画のためのコモンセンス・ワールド・フレームワークであるC-TRAILを提案し、LLMに由来するコモンセンス推論と、信頼性が不確かな出力に対処するための専用のトラスト機構を統合する。
Recall–Plan–Updateのクローズドループ（閉ループ）サイクルを用い、RecallモジュールがLLMに対して意味関係を照会し、デュアル・トラスト設計により信頼性を推定する。
Planモジュールは、Dirichletのトラスト・ポリシーを用いて、信頼度で重み付けされたコモンセンスをモンテカルロ木探索（MCTS）に注入する。
Updateモジュールは、環境からのフィードバックに基づいて、信頼スコアとポリシーパラメータを洗練させる。
Highway-envシミュレーションおよび実世界データセット（highD、rounD）における実験では、既存の最先端ベースラインに対して平均で、ADEが40.2%低減、FDEが51.7%低減、成功率（SR）が16.9パーセントポイント向上といった大幅な改善が報告されている。
著者らはソースコードを公開しており、本フレームワークのさらなる実験や再現が可能である。

要旨: 自動運転のための軌道計画は、常識推論のために大規模言語モデル（LLM）をますます活用するようになっているが、LLMの出力は本質的に信頼性が低く、安全性が重要なアプリケーションにおいてリスクをもたらす。そこで本研究では、Commonsense World上に構築された枠組みであるC-TRAILを提案する。C-TRAILは、LLMから導出された常識と、信頼機構を結び付けることで、軌道計画を導く。C-TRAILは、クローズドループの「想起（Recall）–計画（Plan）–更新（Update）」サイクルを通じて動作する。想起モジュールは、意味関係についてLLMに問い合わせ、デュアル・トラスト機構によりそれらの信頼性を定量化する。計画モジュールは、Dirichletの信頼ポリシーを通じて信頼度で重み付けされた常識をモンテカルロ木探索（MCTS）へ注入する。更新モジュールは、環境からのフィードバックにもとづいて、信頼スコアとポリシーパラメータを適応的に洗練する。Highway-envにおける4つのシミュレーションシナリオおよび実世界のlevelXDataデータセット2つ（highD、rounD）での実験により、C-TRAILが最先端のベースラインを一貫して上回り、平均でADEを40.2%削減し、FDEを51.7%削減し、SRを16.9パーセンテージポイント向上させることが示された。ソースコードは https://github.com/ZhihongCui/CTRAIL で公開されている。