TR2MTL: LLM based framework for Metric Temporal Logic Formalization of Traffic Rules

要約

交通ルールの正式化は、自動運転車 (AV) のコンプライアンスと安全性を検証するために重要です。
ただし、自然言語トラフィック ルールを正式な仕様として手動で翻訳するには、ドメインの知識とロジックの専門知識が必要であり、適応が制限されます。
このペーパーでは、大規模言語モデル (LLM) を使用してトラフィック ルール (TR) を計量時相ロジック (MTL) に自動的に変換するフレームワークである TR2MTL を紹介します。
これは、AV ルールの形式化のための人間参加型システムとして想定されています。
これは、思考連鎖のコンテキスト内学習アプローチを利用して、LLM を段階的に翻訳し、有効で文法的に正しい MTL 式を生成するように導きます。
これは、さまざまな形式の時相論理とルールに拡張できます。
私たちは、さまざまなソースから作成した交通ルールの困難なデータセットに基づいてフレームワークを評価し、さまざまなコンテキスト内学習方法を使用してそれを LLM と比較しました。
結果は、TR2MTL がドメインに依存せず、小規模なデータセットでも高い精度と一般化機能を達成できることを示しています。
さらに、この方法は、非構造化交通ルールにおけるさまざまな程度の論理的および意味論的構造を持つ式を効果的に予測します。

要約(オリジナル)

Traffic rules formalization is crucial for verifying the compliance and safety of autonomous vehicles (AVs). However, manual translation of natural language traffic rules as formal specification requires domain knowledge and logic expertise, which limits its adaptation. This paper introduces TR2MTL, a framework that employs large language models (LLMs) to automatically translate traffic rules (TR) into metric temporal logic (MTL). It is envisioned as a human-in-loop system for AV rule formalization. It utilizes a chain-of-thought in-context learning approach to guide the LLM in step-by-step translation and generating valid and grammatically correct MTL formulas. It can be extended to various forms of temporal logic and rules. We evaluated the framework on a challenging dataset of traffic rules we created from various sources and compared it against LLMs using different in-context learning methods. Results show that TR2MTL is domain-agnostic, achieving high accuracy and generalization capability even with a small dataset. Moreover, the method effectively predicts formulas with varying degrees of logical and semantic structure in unstructured traffic rules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google