論文の概要: ChatGPT Is on the Horizon: Could a Large Language Model Be All We Need for Intelligent Transportation?

• arxiv url: http://arxiv.org/abs/2303.05382v2
• Date: Tue, 21 Mar 2023 05:47:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 22:56:50.988478
• Title: ChatGPT Is on the Horizon: Could a Large Language Model Be All We Need for Intelligent Transportation?
• Title（参考訳）: ChatGPTは地平線上にある: 大規模言語モデルは知的な輸送に必要か?
• Authors: Ou Zheng, Mohamed Abdel-Aty, Dongdong Wang, Zijin Wang, Shengxuan Ding
• Abstract要約: OpenAIが開発したChatGPTは,60億のパラメータを持つ,マイルストーンの大規模言語モデル(LLM)の1つである。 本稿では,重要な輸送問題に対するLCMの今後の応用について考察する。
• 参考スコア（独自算出の注目度）: 2.1906688755530968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ChatGPT, developed by OpenAI, is one of the milestone large language models (LLMs) with 6 billion parameters. ChatGPT has demonstrated the impressive language understanding capability of LLM, particularly in generating conversational response. As LLMs start to gain more attention in various research or engineering domains, it is time to envision how LLM may revolutionize the way we approach intelligent transportation systems. This paper explores the future applications of LLM in addressing key transportation problems. By leveraging LLM with cross-modal encoder, an intelligent system can also process traffic data from different modalities and execute transportation operations through an LLM. We present and validate these potential transportation applications equipped by LLM. To further demonstrate this potential, we also provide a concrete smartphone-based crash report auto-generation and analysis framework as a use case. Despite the potential benefits, challenges related to data privacy, data quality, and model bias must be considered. Overall, the use of LLM in intelligent transport systems holds promise for more efficient, intelligent, and sustainable transportation systems that further improve daily life around the world.
• Abstract（参考訳）: OpenAIが開発したChatGPTは,60億のパラメータを持つ,マイルストーンの大規模言語モデル(LLM)の1つである。 ChatGPTは、特に会話応答の生成において、LLMの印象的な言語理解能力を実証した。 LLMが様々な研究や工学分野において注目されるようになるにつれ、LLMが私たちのインテリジェントな輸送システムへのアプローチ方法にどのように革命をもたらすかを考える時が来た。 本稿では,重要な輸送問題に対するLCMの今後の応用について考察する。 LLMをクロスモーダルエンコーダで活用することにより、インテリジェントシステムは異なるモダリティからのトラフィックデータを処理し、LLMを介して輸送操作を実行することができる。 本報告では, LLM を応用した輸送技術について述べる。 この可能性をさらに実証するため、ケースとして、具体的なスマートフォンベースのクラッシュレポート自動生成および分析フレームワークを提供する。 潜在的なメリットにもかかわらず、データのプライバシ、データ品質、モデルバイアスに関する課題を考慮する必要がある。 全体として、知的輸送システムにおけるLLMの使用は、より効率的でインテリジェントで持続可能な輸送システムを提供することを約束している。

関連論文リスト

• Multimodal Situational Safety [73.63981779844916]
  マルチモーダル・シチュエーション・セーフティ(Multimodal situational Safety)と呼ばれる新しい安全課題の評価と分析を行う。 MLLMが言語やアクションを通じても安全に応答するためには、言語クエリが対応する視覚的コンテキスト内での安全性への影響を評価する必要があることが多い。 我々は,現在のMLLMの状況安全性能を評価するためのマルチモーダル状況安全ベンチマーク(MSSBench)を開発した。
  論文  参考訳（メタデータ） (2024-10-08T16:16:07Z)
• A Survey on the Applications of Frontier AI, Foundation Models, and Large Language Models to Intelligent Transportation Systems [8.017557640367938]
  本稿では,知的交通システム(ITS)の領域におけるフロンティアAI,基礎モデル,大規模言語モデル(LLM)の変容的影響について検討する。 交通インテリジェンスを推進し、交通管理を最適化し、スマートシティの実現に寄与する重要な役割を強調している。
  論文  参考訳（メタデータ） (2024-01-12T10:29:48Z)
• Open-TI: Open Traffic Intelligence with Augmented Language Model [23.22301632003752]
  Open-TIは、チューリング識別可能なトラフィックインテリジェンスを目標とする革新的なモデルである。 ゼロから徹底的な交通分析を行うことができる最初の方法である。 Open-TIは、トレーニングや交通信号制御ポリシーの適用といったタスク固有の実施を可能にする。
  論文  参考訳（メタデータ） (2023-12-30T11:50:11Z)
• LMRL Gym: Benchmarks for Multi-Turn Reinforcement Learning with Language Models [56.25156596019168]
  本稿では,LMRL-Gymベンチマークを用いて,大規模言語モデル(LLM)のマルチターンRLの評価を行う。 我々のベンチマークは8つの異なる言語タスクで構成されており、複数ラウンドの言語相互作用が必要であり、オープンエンド対話やテキストゲームにおける様々なタスクをカバーする。
  論文  参考訳（メタデータ） (2023-11-30T03:59:31Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [87.1164964709168]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)
• TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation Models [10.904594811905778]
  TrafficGPTはChatGPTと交通基盤モデルの融合である。 大きな言語モデルとトラフィックの専門知識をシームレスに相互運用することで、TrafficGPTは、この領域でAI機能を活用するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2023-09-13T04:47:43Z)
• Intelligent Traffic Monitoring with Hybrid AI [78.65479854534858]
  マルチモーダルコンテキスト理解のためのニューロシンボリックアーキテクチャであるHANSを紹介する。 HANSが交通監視に関わる課題にどのように対処するかを示すとともに,幅広い推論手法と統合可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-31T17:47:22Z)
• Machine Learning for Security in Vehicular Networks: A Comprehensive Survey [4.010371060637208]
  本稿では,車載ネットワークにおけるさまざまなセキュリティ問題に対するMLベースの手法に関する包括的調査を行う。 本稿では、車両ネットワークにおけるセキュリティ攻撃の分類を提案し、様々なセキュリティ課題と要件について議論する。 さまざまなセキュリティ課題に対処する上で、これらのMLテクニックのソリューションアプローチと動作原則を説明します。
  論文  参考訳（メタデータ） (2021-05-31T15:15:03Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。