自動運転/VLM協調2026/10/7arXiv:2610.09520

不確実性のすべてが重要ではない：決定論的な自動運転システムのためのシミュレーション・イン・ザ・ループ高速・低速推論

Not All Uncertainty Matters: Simulation-in-the-Loop Fast-Slow Reasoning for Decision-Critical Autonomous Driving System

自動運転のためのVLMの高速・低速協調において、計画コストの削減効果を評価するシミュレーション・イン・ザ・ループフレームワークSIGMAを提案し、クラウド推論の呼び出しを最適化する。

詳しい要約

1. どんなもの？

- 大規模 VLM を用いた自動運転の fast-slow 協調フレームワーク SIGMA を提案。 - オンボードの高速モジュールが知覚・制御を担い、クラウドの VLM は必要時のみ高次推論を提供。 - いつクラウド推論を意思決定に反映すべきかを判断する課題に対し、simulation-in-the-loop で不確実性を評価。 - 計画コスト削減の期待値に基づきクラウド呼び出しを決定する。

2. 先行研究と比べてどこがすごい？

- 既存手法は知覚不確実性、ヒューリスティックなトリガ、リソース駆動型ポリシーに依存。 - 不確実性を解消することが計画を改善するか評価していなかった。 - SIGMA はプランナを不確実性評価に組み込み、計画コストへの影響を直接評価。 - タスク指向の協調により不要なクラウド呼び出しを削減。

3. 技術・手法の肝は？

- simulation-in-the-loop で意味的・幾何的不確実性下の plausible scene realizations を生成。 - それらが実行可能軌道と計画コストに与える影響を評価。 - 不確実性解消による計画コスト削減の期待値を推定。 - expected planning gain (EPG) を導入し、クラウド呼び出し、クラウドガイダンス統合、リクエスト優先順位付けを deadline とリソース制約下で実施。

4. どうやって有効だと検証した？

- CARLA での実験により、静的・動的障害物シナリオで検証。 - 固定周期協調と比較し、不要なクラウド相互作用を 50% 削減。 - ナビゲーション成功率を 6% 以上改善。 - 動的シナリオで完了時間を最大 26.2% 短縮。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として fast-slow collaboration、VLM ベース自動運転、uncertainty-aware planning、CARLA ベンチマークが挙げられる。

※ 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: Jiayi Chen, Shuai Wang, Guangxu Zhu, Derrick Wing Kwan Ng, Chengzhong Xu, Kaibin Huang

分類: cs.RO, cs.AI

原文アブストラクト

Large vision-language models (VLMs) provide powerful open-world perception and reasoning for autonomous driving, but their high computational cost and inference latency make continuous cloud-side use impractical. This motivates fast--slow collaboration, where efficient onboard modules handle real-time perception and control while cloud models provide high-level reasoning only when needed. The key challenge is deciding when cloud reasoning should influence time-critical driving decisions. Existing methods often rely on perception uncertainty, heuristic triggers, or resource-driven policies, without assessing whether resolving an uncertainty will improve planning. We propose \textbf{SIGMA}, a simulation-in-the-loop framework for task-oriented fast--slow collaboration. SIGMA embeds the planner into uncertainty assessment and evaluates how plausible scene realizations under semantic and geometric uncertainty affect feasible trajectories and planning cost. Based on these outcomes, it estimates the expected reduction in planning cost from resolving uncertainty. We further introduce expected planning gain (EPG), a decision-level metric for cloud invocation, cloud-guidance integration, and request prioritization under deadline and resource constraints. Experiments in CARLA show that SIGMA reduces unnecessary cloud interactions while improving planning, efficiency, and navigation success in static and dynamic obstacle scenarios. Compared with fixed-period collaboration, SIGMA reduces unnecessary cloud interactions by 50\%, improves navigation success by more than 6\%, and cuts finish time by up to 26.2\% in dynamic scenarios.

arXivで原文を読む →arXiv概要ページ

← 論文一覧