論文の概要: A Survey on the Applications of Frontier AI, Foundation Models, and
Large Language Models to Intelligent Transportation Systems
- arxiv url: http://arxiv.org/abs/2401.06831v1
- Date: Fri, 12 Jan 2024 10:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 21:07:54.922903
- Title: A Survey on the Applications of Frontier AI, Foundation Models, and
Large Language Models to Intelligent Transportation Systems
- Title（参考訳）: インテリジェントトランスポートシステムへのフロンティアAI、基礎モデル、および大規模言語モデルの適用に関する調査
- Authors: Mohamed R. Shoaib, Heba M. Emara, Jun Zhao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.017557640367938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This survey paper explores the transformative influence of frontier AI,
foundation models, and Large Language Models (LLMs) in the realm of Intelligent
Transportation Systems (ITS), emphasizing their integral role in advancing
transportation intelligence, optimizing traffic management, and contributing to
the realization of smart cities. Frontier AI refers to the forefront of AI
technology, encompassing the latest advancements, innovations, and experimental
techniques in the field, especially AI foundation models and LLMs. Foundation
models, like GPT-4, are large, general-purpose AI models that provide a base
for a wide range of applications. They are characterized by their versatility
and scalability. LLMs are obtained from finetuning foundation models with a
specific focus on processing and generating natural language. They excel in
tasks like language understanding, text generation, translation, and
summarization. By leveraging vast textual data, including traffic reports and
social media interactions, LLMs extract critical insights, fostering the
evolution of ITS. The survey navigates the dynamic synergy between LLMs and
ITS, delving into applications in traffic management, integration into
autonomous vehicles, and their role in shaping smart cities. It provides
insights into ongoing research, innovations, and emerging trends, aiming to
inspire collaboration at the intersection of language, intelligence, and
mobility for safer, more efficient, and sustainable transportation systems. The
paper further surveys interactions between LLMs and various aspects of ITS,
exploring roles in traffic management, facilitating autonomous vehicles, and
contributing to smart city development, while addressing challenges brought by
frontier AI and foundation models. This paper offers valuable inspiration for
future research and innovation in the transformative domain of intelligent
transportation.
- Abstract（参考訳）: 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,およびLarge Language Models(LLMs)の変革的影響を考察し,交通インテリジェンスの向上,交通管理の最適化,スマートシティの実現に寄与することの重要性を強調した。
Frontier AI(フロンティア・AI)は、AI技術の最前線を指し、この分野における最新の進歩、イノベーション、実験的技術、特にAIファンデーションモデルとLLMを包含する。
GPT-4のような基礎モデルは大規模で汎用的なAIモデルであり、幅広いアプリケーションの基盤を提供する。
汎用性とスケーラビリティが特徴である。
llmは、自然言語を処理および生成することに焦点を当てた基礎モデルから得られる。
言語理解、テキスト生成、翻訳、要約といったタスクに優れています。
交通報告やソーシャルメディアのインタラクションを含む膨大なテキストデータを活用することで、LLMは重要な洞察を抽出し、ITSの進化を促進する。
この調査は、llmとその間のダイナミックなシナジーをナビゲートし、交通管理のアプリケーション、自動運転車への統合、スマートシティ形成におけるそれらの役割を掘り下げている。
言語、知性、モビリティの交差点でコラボレーションを刺激し、より安全で効率的で持続可能な輸送システムを実現することを目的として、現在進行中の研究、イノベーション、および新興トレンドに関する洞察を提供する。
本稿では,LLMとITSのさまざまな側面の相互作用を調査し,交通管理の役割を探り,自動運転車の促進,スマートシティ開発に寄与するとともに,フロンティアAIやファンデーションモデルによる課題に対処する。
本稿では、知的輸送のトランスフォーメーション領域における将来の研究とイノベーションに貴重なインスピレーションを与える。
関連論文リスト
- GenAI-powered Multi-Agent Paradigm for Smart Urban Mobility: Opportunities and Challenges for Integrating Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) with Intelligent Transportation Systems [10.310791311301962]
本稿では,大規模言語モデル (LLM) と新生検索・拡張生成技術 (RAG) の変換可能性について検討する。
本稿では,スマートモビリティサービスをインテリジェントかつ対話的に提供可能なマルチエージェントシステムの開発を目的とした概念的フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-31T16:14:42Z) - Multi-Agent Reinforcement Learning for Autonomous Driving: A Survey [14.73689900685646]
強化学習(Reinforcement Learning, RL)は、シーケンシャルな意思決定のための強力なツールであり、人間の能力を超えるパフォーマンスを達成した。
マルチエージェントシステム領域におけるRLの拡張として、マルチエージェントRL(MARL)は制御ポリシーを学ぶだけでなく、環境内の他のすべてのエージェントとの相互作用についても考慮する必要がある。
シミュレーターは、RLの基本である現実的なデータを得るのに不可欠である。
論文 参考訳（メタデータ） (2024-08-19T03:31:20Z) - A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。
本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
論文 参考訳（メタデータ） (2024-08-02T15:14:53Z) - Aligning Cyber Space with Physical World: A Comprehensive Survey on Embodied AI [129.08019405056262]
人工知能(Embodied AI)は、人工知能(AGI)の実現に不可欠である
MLMとWMは、その顕著な知覚、相互作用、推論能力のために、大きな注目を集めている。
本調査では,Embodied AIの最近の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2024-07-09T14:14:47Z) - An Interactive Agent Foundation Model [49.77861810045509]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳（メタデータ） (2024-02-08T18:58:02Z) - The Role of LLMs in Sustainable Smart Cities: Applications, Challenges,
and Future Directions [12.457812474103449]
本稿では、スマートシティにおけるプロセス最適化における、ディープラーニング(DL)、フェデレートラーニング(FL)、モノのインターネット(IoT)、自然言語処理(NLP)、大規模言語モデル(LLM)の実質的な可能性と応用について検討する。
我々は、スマートシティの実現と発展を技術的に強化する基礎的要素として、これらの技術の膨大な潜在能力を浮き彫りにすることを目指している。
論文 参考訳（メタデータ） (2024-02-07T05:22:10Z) - Forging Vision Foundation Models for Autonomous Driving: Challenges,
Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。
総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。
本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文 参考訳（メタデータ） (2024-01-16T01:57:24Z) - A Survey of Generative AI for Intelligent Transportation Systems: Road Transportation Perspective [7.770651543578893]
我々は、異なる生成AI技術の原則を紹介する。
我々は,ITSにおけるタスクを,交通認識,交通予測,交通シミュレーション,交通意思決定の4つのタイプに分類する。
これらの4種類のタスクにおいて、生成的AI技術が重要な問題にどのように対処するかを説明する。
論文 参考訳（メタデータ） (2023-12-13T16:13:23Z) - 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) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳（メタデータ） (2022-10-18T17:28:58Z)
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。