自動運転2026/8/31arXiv:2608.30179v1

オープンソース自動運転システムの解析と、強化学習テストおよび大規模言語モデルを用いた学際的ハードウェアインザループ研究パラダイム

Open-Source Autonomous Driving System Analysis and Multi-Disciplinary Hardware-in-the-Loop Research Paradigm with Reinforcement-Learning Testing and Large Language Models

シェア:X Threads Facebook LINE はてブ Bluesky

複数車両の実車実験、コード再利用、ソフトウェア・ハードウェア連携テストを統一的にレビュー可能な枠組みを提案し、Apollo-on-Hongqi EV環境で実証した。

詳しい要約

1. どんなもの？

本論文は、オープンソースの自動運転システム（特にApollo-on-Hongqi EV環境）における実車実験の記録とレビューの課題に取り組み、複数車両の実験、リポジトリベースのコード再利用、ソフトウェア・ハードウェア協調テストを統合した実車実験フレームワークを提案する。このフレームワークは、Large Language Models (LLMs)とReinforcement Learning (RL)ベースのテストを補助コンポーネントとして用い、記録の整理、異常の要約、シミュレーションに基づく候補シナリオ生成を行う。

2. 先行研究と比べてどこがすごい？

先行研究では、オープンソース自動運転システムのソフトウェア基盤に焦点が当てられることが多いが、実車環境での実験条件の記録とレビュー可能性は十分に扱われていなかった。本論文は、複数車両・複数チームに分散した実験プロセスを統一的にレビュー可能な枠組みを提案し、LLMsとRLテストを組み合わせる点で新しい。

3. 技術・手法の肝は？

手法の肝は、実車実験フレームワークの設計にある。具体的には、複数車両の実験データ、コードリポジトリの変更履歴、ソフトウェア・ハードウェアのテストフィードバックを統合し、レビュー可能な記録としてまとめる。LLMsは記録の整理と異常の要約に、RLベースのテストはシミュレーションでの候補シナリオ生成に用いられる。

4. どうやって有効だと検証した？

検証は、Apollo-on-Hongqi EV環境での予備的な実験を通じて行われた。複数車両の協調実験、コードと実験スキルの共有、ソフトウェア・ハードウェア協調テストの分析により、実験記録が動作条件とともにレビュー可能であることを示した。

5. 議論はある？

要旨からは、提案フレームワークの限界や課題についての詳細な議論は不明である。ただし、実車環境での実験記録の標準化や、LLMsとRLテストの有効性の定量的評価などが今後の課題として考えられる。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、オープンソース自動運転システム（例：Apollo）の研究や、LLMsを自動運転に応用した研究、RLベースのテスト手法に関する論文が関連する。具体的には、Apolloのアーキテクチャに関する論文や、自動運転のシミュレーションテストに関する研究が挙げられる。

※ 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: Dianjing Cheng, Yike Li, Lan Yang, Shan Fang, Wenjia Niu, Xiangyu Shi, Xinyi Zhao, Yunzhe Tian, XingYu Wu, Xiaoshu Cui, Yuanwan Chen, Jialu Sun, Zhongli Wang, Biao Liu, Jiaqi Yang, Jinghui Feng, Feifei Su, Juan Du, Shuangde Fang, Yi Qian, Huiyun Li, Yuansheng Liu, Peng Sun, Mingming Wan, Nan Chen, Ruipeng Gao

分類: cs.SE, cs.RO

原文アブストラクト

Open-source autonomous driving systems provide an inspectable software foundation for intelligent vehicle research. Under real-vehicle deployment conditions, the recording and review of experimental conditions are important for interpreting system behavior and reusing experimental results. However, in a shared real-vehicle environment involving multiple vehicles, task processes, code modifications, and hardware testing feedback are often distributed across different teams and experimental stages, making it challenging to maintain continuous and reviewable experimental records. To address this limitation, this paper examines an Apollo-on-Hongqi EV environment and proposes a real-vehicle experimental framework. The framework connects multi-vehicle experiments, repository-based code reuse and software-hardware testing feedback within a unified review process. Large language models and RL-based testing serve as auxiliary components for record organization, anomaly summarization, and simulation-based candidate scenario generation. Based on this setting, this paper analyzes preliminary evidence from multi-vehicle collaborative experimentation, code and experimental-skill sharing, and software-hardware collaborative testing. The analysis shows that experimental records can be examined together with their operating conditions, providing a reviewable basis for Apollo-on-Hongqi EV research.

arXivで原文を読む →arXiv概要ページ