論文の概要: Large Language Models for Human-like Autonomous Driving: A Survey

• arxiv url: http://arxiv.org/abs/2407.19280v1
• Date: Sat, 27 Jul 2024 15:24:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 19:01:38.801447
• Title: Large Language Models for Human-like Autonomous Driving: A Survey
• Title（参考訳）: 人間のような自律運転のための大規模言語モデル:調査
• Authors: Yun Li, Kai Katsumata, Ehsan Javanmardi, Manabu Tsukada,
• Abstract要約: 大規模言語モデル(LLMs)は、言語理解と生成機能を備えた巨大なテキストコーパスでトレーニングされたAIモデルである。 この調査は、LLMを自律運転に活用する進捗状況についてレビューする。 モジュール型のADパイプラインとエンドツーエンドのADシステムにおける彼らのアプリケーションに焦点を当てている。
• 参考スコア（独自算出の注目度）: 7.125039718268125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs), AI models trained on massive text corpora with remarkable language understanding and generation capabilities, are transforming the field of Autonomous Driving (AD). As AD systems evolve from rule-based and optimization-based methods to learning-based techniques like deep reinforcement learning, they are now poised to embrace a third and more advanced category: knowledge-based AD empowered by LLMs. This shift promises to bring AD closer to human-like AD. However, integrating LLMs into AD systems poses challenges in real-time inference, safety assurance, and deployment costs. This survey provides a comprehensive and critical review of recent progress in leveraging LLMs for AD, focusing on their applications in modular AD pipelines and end-to-end AD systems. We highlight key advancements, identify pressing challenges, and propose promising research directions to bridge the gap between LLMs and AD, thereby facilitating the development of more human-like AD systems. The survey first introduces LLMs' key features and common training schemes, then delves into their applications in modular AD pipelines and end-to-end AD, respectively, followed by discussions on open challenges and future directions. Through this in-depth analysis, we aim to provide insights and inspiration for researchers and practitioners working at the intersection of AI and autonomous vehicles, ultimately contributing to safer, smarter, and more human-centric AD technologies.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、言語理解と生成能力に優れた巨大なテキストコーパスでトレーニングされたAIモデルであり、自律運転(AD)の分野を変革している。 ADシステムは、ルールベースおよび最適化ベースの手法から、深層強化学習のような学習ベースの手法へと進化するにつれて、LLMによって強化された知識ベースのADという、より高度なカテゴリを採用できるようになった。 このシフトはADを人間に近いADに近づけることを約束する。 しかしながら、LLMをADシステムに統合することは、リアルタイムの推論、安全性保証、デプロイメントコストに課題をもたらす。 この調査は、モジュール化されたADパイプラインとエンドツーエンドのADシステムにおける彼らのアプリケーションに焦点を当てて、ADにLLMを活用する最近の進歩を包括的で批判的なレビューを提供する。 我々は、重要な進歩を強調し、プレス課題を特定し、LLMとADのギャップを埋め、より人間的なADシステムの開発を促進するための有望な研究方向を提案する。 調査ではまず、LLMの主要な機能と一般的なトレーニングスキームを紹介し、その後、モジュール型のADパイプラインとエンドツーエンドのADのアプリケーションをそれぞれ検討し、続いてオープンな課題と今後の方向性について議論した。 この詳細な分析を通じて、AIと自動運転車の交差点で働く研究者や実践者に洞察とインスピレーションを提供し、最終的にはより安全でスマートでより人間中心のAD技術に寄与することを目指している。

関連論文リスト

• A Systematic Survey on Large Language Models for Algorithm Design [25.556342145274613]
  アルゴリズム設計(AD)は、様々な領域にわたる効果的な問題解決に不可欠である。 LLM(Large Language Models)の出現は、この分野における自動化とイノベーションを著しく強化した。
  論文  参考訳（メタデータ） (2024-10-11T13:17:19Z)
• Will Large Language Models be a Panacea to Autonomous Driving? [25.963195890376646]
  自律運転(AD)技術の開発は、モジュール化とエンドツーエンドの2つの主要な技術的パスに従っている。 本稿では,ADシステムにおける大規模言語モデル(LLM)の適用可能性について,詳細な分析を行う。 LLMベースの人工知能(AGI)がハイレベルADを実現する鍵となるのか?
  論文  参考訳（メタデータ） (2024-09-21T15:07:37Z)
• Large Language Models for Base Station Siting: Intelligent Deployment based on Prompt or Agent [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 このアプローチは、人間の経験と知識をこれらの洗練されたLLMに注入するために、巧妙なプロンプトの戦略的利用を必要とする。 この統合は、サービスとしての人工知能(AI)と、より容易なAIの将来のパラダイムを表している。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• 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)
• Vision Language Models in Autonomous Driving: A Survey and Outlook [26.70381732289961]
  視覚言語モデル(VLM)は、その優れた性能と大規模言語モデル(LLM)を活用する能力により、広く注目を集めている。 本稿では,この領域における視覚言語モデルの進歩を包括的かつ体系的に調査し,認識と理解,ナビゲーションと計画,意思決定と制御,エンドツーエンドの自動運転,データ生成などを紹介する。
  論文  参考訳（メタデータ） (2023-10-22T21:06:10Z)
• 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)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)

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。