From Failures to Fixes: LLM-Driven Scenario Repair for Self-Evolving Autonomous Driving

要約

堅牢で一般化可能な自律運転を確保するには、幅広いシナリオのカバレッジだけでなく、障害ケース、特に挑戦的で安全性の高いシナリオに関連するケースの効率的な修復も必要です。
ただし、既存のシナリオの生成と選択方法は、適応性とセマンティックな関連性を欠いていることが多く、パフォーマンスの改善への影響が制限されます。
この論文では、ターゲットシナリオの推奨を通じて故障ケースを修復することにより自律的な駆動システムが自己進化できるようにするLLM駆動のフレームワークである\ textBf {sera}を提案します。
パフォーマンスログを分析することにより、Seraは障害パターンを識別し、構造化された銀行からセマンティックに整列したシナリオを動的に取得します。
LLMベースの反射メカニズムは、関連性と多様性を最大化するために、これらの推奨事項をさらに改善します。
選択されたシナリオは、少数のショットの微調整に使用され、最小限のデータでターゲットを絞った適応を可能にします。
ベンチマークでの実験は、Seraが複数の自律運転ベースライン全体で重要なメトリックを一貫して改善し、安全性が批判的な条件下での有効性と一般化可能性を実証することを示しています。

要約(オリジナル)

Ensuring robust and generalizable autonomous driving requires not only broad scenario coverage but also efficient repair of failure cases, particularly those related to challenging and safety-critical scenarios. However, existing scenario generation and selection methods often lack adaptivity and semantic relevance, limiting their impact on performance improvement. In this paper, we propose \textbf{SERA}, an LLM-powered framework that enables autonomous driving systems to self-evolve by repairing failure cases through targeted scenario recommendation. By analyzing performance logs, SERA identifies failure patterns and dynamically retrieves semantically aligned scenarios from a structured bank. An LLM-based reflection mechanism further refines these recommendations to maximize relevance and diversity. The selected scenarios are used for few-shot fine-tuning, enabling targeted adaptation with minimal data. Experiments on the benchmark show that SERA consistently improves key metrics across multiple autonomous driving baselines, demonstrating its effectiveness and generalizability under safety-critical conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google