CARVE: 通过包络实现交互式驾驶中否决操作的认证经济修复
摘要
CARVE是一个用于自动驾驶的认证框架,为多智能体修复提供运行时证明,在INTERACTION回放场景中接受98.64%的初始否决操作,且无需预测其他驾驶员的合规性。
查看缓存全文
缓存时间: 2026/06/15 09:03
论文页面 - CARVE:通过包络实现交互式驾驶中被否决机动动作的可认证经济修复
来源:https://huggingface.co/papers/2606.02641
摘要
交互式驾驶场景揭示了自动驾驶规则系统中的失效模式:即使非优先车辆做出微小的合法让步即可恢复可行性,但本车的硬规则裕度可能为负。现有规则书、防护盾和可达性过滤器在否决不安全行为方面表现强劲,而基于预测的规划器则对可能的反应进行建模。两者均不返回运行时证明对象,用以说明哪些有界多智能体编辑修复了该机动动作、编辑的归属方、该请求是否具有路权经济性,以及若请求未被遵守时本车的备用方案。我们将这一缺失的对象定义为交互式修复认证,并引入CARVE,一个在由本车所有和智能体所有的战术算子构成的有限格上无预测的认证层。智能体所有的请求仅在合作包络 (B_j(s) = β(π_j)α_j^{\max}(s)) 内可被允许,该包络将运动学可达性与规范性优先权分离。生成的证书记录了约束规则、修复类别、修复集合、责任加权成本分配及备用方案。在 589 个基于 Lanelet2 几何的 INTERACTION 重放片段上,CARVE-Greedy 接受了 98.64% 最初被否决的机动动作,恢复了 370/378 个人类解决的正确否决,同时保持了 589/589 路权尊重、零优先智能体误报以及 400/400 负应激否决。我们证明了证书的合理性、结构性的路权尊重、精确的有限格最小性、备用应对方案以及归责一致性条件。CARVE 不预测也不要求其他驾驶员的服从;它仅认证在声明的假设下,所提议的交互是否是有界的、可归因的且规范性可接受的。
查看 arXiv 页面 (https://arxiv.org/abs/2606.02641) · 查看 PDF (https://arxiv.org/pdf/2606.02641) · 项目页面 (https://huggingface.co/datasets/DISLab/VRAG-Bench) · 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.02641)
在你的智能体中获取此论文:
hf papers read 2606.02641
没有最新版 CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型0
没有模型链接到此论文
请在模型 README.md 中引用 arxiv.org/abs/2606.02641 以在此页面进行链接。
引用此论文的数据集0
没有数据集链接到此论文
请在数据集 README.md 中引用 arxiv.org/abs/2606.02641 以在此页面进行链接。
引用此论文的 Spaces0
没有 Space 链接到此论文
请在 Space README.md 中引用 arxiv.org/abs/2606.02641 以在此页面进行链接。
包含此论文的收藏0
没有包含此论文的收藏
请将此论文添加到收藏 (https://huggingface.co/new-collection) 中以便在此页面进行链接。
相似文章
CARVE-Q:量子提议、经典认证的交互式驾驶修复
CARVE-Q 引入了一个量子AI搜索层,用于经过认证的交互式驾驶修复,在修复格上使用量子最小值查找,同时保持安全权威的经典性。它为被否决的机动提供结构化证书,在 INTERACTION 重放场景中实现了100%的路权尊重和责任一致性。
PersonaDrive:面向闭环驾驶仿真的基于人类风格的检索增强VLA智能体
本文介绍了PersonaDrive,一种将视觉-语言-动作(VLA)驾驶智能体基于从风格引导的人类驾驶数据集中检索到的演示进行条件化的流程,从而能够为闭环仿真提供风格多样的非自车智能体,并在Bench2Drive上提升了驾驶评分。
Neuro-Symbolic Drive: Rule-Grounded Faithful Reasoning for Driving VLAs
介绍了Neuro-Symbolic Drive,一个使用来自经典规划器的基于规则推理轨迹来微调驾驶VLA(Qwen3.5-4B)的框架,与标准CoT推理相比,显著降低了平均位移误差和漏检率。
Reason--Imagine--Act:基于世界模型的闭环大语言模型决策在自动驾驶中的应用
提出了Reason-Imagine-Act (RIA),一种将大语言模型推理器与动作条件世界模型相结合的闭环框架,用于自动驾驶中的在线安全验证,在CARLA仿真中实现了80.05%的路线完成率和0.20%的碰撞率。
基于宏动作的多智能体指令遵循:价值取消方法
提出MAVIC,一种多智能体强化学习方法,在指令边界修正价值估计,以在遵循外部自然语言指令的同时保持基础任务性能。