Human-like Semantic Navigation for Autonomous Driving using Knowledge Representation and Large Language Models

要約

自動運転車で完全な自動化を達成することは、特にナビゲーションがリアルタイムの適応性を必要とする動的な都市環境では、課題のままです。
既存のシステムは、事前に定義された地図作成情報に大きく依存しているため、道路レイアウト、自発的な迂回路、または不足しているマップデータの予測不可能な変更に直面したときに航海計画を処理するのに苦労しています。
この作業では、非公式のナビゲーションの指示を構造化された論理ベースの推論に変換することにより、大規模な言語モデルの使用を検討して回答セットプログラミングルールを生成します。
ASPは非モノトニックな推論を提供し、自動運転車が事前定義されたマップに依存せずに進化するシナリオに適応できるようにします。
LLMSが現実世界の都市の駆動ロジックを正式な知識表現にエンコードするASP制約を生成する実験的評価を提示します。
非公式のナビゲーション命令の論理ルールへの翻訳を自動化することにより、私たちの方法は、自律的なナビゲーションの適応性と説明可能性を向上させます。
結果は、LLM駆動型ASPルール生成がセマンティックベースの意思決定をサポートしており、人間がナビゲーションの意図を伝える方法と密接に一致する動的ナビゲーション計画のための説明可能なフレームワークを提供することを示しています。

要約(オリジナル)

Achieving full automation in self-driving vehicles remains a challenge, especially in dynamic urban environments where navigation requires real-time adaptability. Existing systems struggle to handle navigation plans when faced with unpredictable changes in road layouts, spontaneous detours, or missing map data, due to their heavy reliance on predefined cartographic information. In this work, we explore the use of Large Language Models to generate Answer Set Programming rules by translating informal navigation instructions into structured, logic-based reasoning. ASP provides non-monotonic reasoning, allowing autonomous vehicles to adapt to evolving scenarios without relying on predefined maps. We present an experimental evaluation in which LLMs generate ASP constraints that encode real-world urban driving logic into a formal knowledge representation. By automating the translation of informal navigation instructions into logical rules, our method improves adaptability and explainability in autonomous navigation. Results show that LLM-driven ASP rule generation supports semantic-based decision-making, offering an explainable framework for dynamic navigation planning that aligns closely with how humans communicate navigational intent.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google