Fugu-MT 論文翻訳(概要): Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles

論文の概要: Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles

arxiv url: http://arxiv.org/abs/2310.08034v1
Date: Thu, 12 Oct 2023 04:56:01 GMT
ステータス: 処理完了
システム内更新日: 2023-10-15 11:21:06.659015
Title: Receive, Reason, and React: Drive as You Say with Large Language Models in Autonomous Vehicles
Title（参考訳）: 受け取り、理性、そして反応:自動運転車の大型言語モデルで言うように運転する
Authors: Can Cui, Yunsheng Ma, Xu Cao, Wenqian Ye and Ziran Wang
Abstract要約: 本稿では,Large Language Models (LLMs) を利用した自律走行車における意思決定プロセスを強化する新しいフレームワークを提案する。我々の研究は、自動運転と戦術的意思決定タスクのための環境の集合であるHighwayEnvの実験を含む。また、リアルタイムのパーソナライズも検討し、LLMが音声コマンドに基づいて運転行動にどう影響するかを示す。
参考スコア（独自算出の注目度）: 13.102404404559428
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The fusion of human-centric design and artificial intelligence (AI) capabilities has opened up new possibilities for next-generation autonomous vehicles that go beyond transportation. These vehicles can dynamically interact with passengers and adapt to their preferences. This paper proposes a novel framework that leverages Large Language Models (LLMs) to enhance the decision-making process in autonomous vehicles. By utilizing LLMs' linguistic and contextual understanding abilities with specialized tools, we aim to integrate the language and reasoning capabilities of LLMs into autonomous vehicles. Our research includes experiments in HighwayEnv, a collection of environments for autonomous driving and tactical decision-making tasks, to explore LLMs' interpretation, interaction, and reasoning in various scenarios. We also examine real-time personalization, demonstrating how LLMs can influence driving behaviors based on verbal commands. Our empirical results highlight the substantial advantages of utilizing chain-of-thought prompting, leading to improved driving decisions, and showing the potential for LLMs to enhance personalized driving experiences through ongoing verbal feedback. The proposed framework aims to transform autonomous vehicle operations, offering personalized support, transparent decision-making, and continuous learning to enhance safety and effectiveness. We achieve user-centric, transparent, and adaptive autonomous driving ecosystems supported by the integration of LLMs into autonomous vehicles.
Abstract（参考訳）: ai(human-centric design and artificial intelligence)の能力が融合し、次世代自動運転車の新たな可能性が始まった。これらの車両は乗客と動的に相互作用し、好みに適応することができる。本稿では,Large Language Models (LLMs) を利用した自律走行車における意思決定プロセスを強化するフレームワークを提案する。 LLMの言語的・文脈的理解能力と専門的なツールを活用することで,LLMの言語と推論能力を自律走行車に統合することを目指す。本研究は,自動運転と戦術的意思決定タスクのための環境の集合である highwayenv を用いて,様々なシナリオにおける llms の解釈,相互作用,推論を探索する実験を含む。また、リアルタイムのパーソナライズも検討し、LLMが音声コマンドに基づいて運転行動にどう影響するかを示す。実験結果では,思考連鎖の促進,運転判断の改善,言語フィードバックによるパーソナライズされた運転体験の促進などのメリットが浮き彫りになった。提案するフレームワークは、自律走行運転を変革し、パーソナライズされたサポート、透明性のある意思決定、安全性と有効性を高めるための継続的学習を提供することを目的としている。 LLMを自動運転車に統合することで、ユーザ中心、透過的で適応的な自動運転エコシステムを実現する。

関連論文リスト

Large Language Models for Autonomous Driving (LLM4AD): Concept, Benchmark, Simulation, and Real-Vehicle Experiment [15.52530518623987]
大規模言語モデル(LLM)は、自律運転システムの様々な側面を強化する可能性を秘めている。本稿では,LLMを自動走行(LLM4AD)用に設計するための新しい概念とアプローチを紹介する。
論文参考訳（メタデータ） (2024-10-20T04:36:19Z)
Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
論文参考訳（メタデータ） (2024-05-09T17:52:42Z)
Hybrid Reasoning Based on Large Language Models for Autonomous Car Driving [14.64475022650084]
大規模言語モデル(LLM)は、テキストや画像を理解し、人間に似たテキストを生成し、複雑な推論タスクを実行する能力において、大きな注目を集めている。算術的推論と常識的推論の組み合わせ,特に自律運転シナリオにおけるLLMの適応性について検討する。
論文参考訳（メタデータ） (2024-02-21T08:09:05Z)
DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous Driving [69.82743399946371]
DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
論文参考訳（メタデータ） (2023-12-14T18:59:05Z)
Evaluation of Large Language Models for Decision Making in Autonomous Driving [4.271294502084542]
自律走行にLarge Language Models (LLMs)を使用する一つの戦略は、周囲のオブジェクトを LLM にテキストプロンプトとして入力することである。このような目的のためにLLMを使用する場合、空間認識や計画などの能力は不可欠である。本研究は、自律運転の文脈におけるLLMの2つの能力について定量的に評価した。
論文参考訳（メタデータ） (2023-12-11T12:56:40Z)
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)
LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文参考訳（メタデータ） (2023-11-02T07:23:33Z)
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)
DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。 DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
論文参考訳（メタデータ） (2023-10-02T17:59:52Z)
DiLu: A Knowledge-Driven Approach to Autonomous Driving with Large Language Models [30.23228092898916]
本稿では,ReasoningとReflectionモジュールを組み合わせたDiLuフレームワークを提案する。大規模な実験は、ダイリューが経験を蓄積し、一般化能力において大きな優位性を示す能力を証明する。私たちの知識を最大限に活用するために、自動運転車の意思決定において知識駆動能力を活用するのは、私たちは初めてです。
論文参考訳（メタデータ） (2023-09-28T09:41:35Z)
Drive as You Speak: Enabling Human-Like Interaction with Large Language Models in Autonomous Vehicles [13.102404404559428]
本稿では,Large Language Models (LLMs) を利用して自動運転車の意思決定プロセスを強化する新しいフレームワークを提案する。提案されたフレームワークは、自動運転車の運転方法に革命をもたらす可能性を秘めており、パーソナライズされた支援、継続的学習、透明性のある意思決定を提供する。
論文参考訳（メタデータ） (2023-09-19T00:47:13Z)

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。