論文の概要: Large Language Models and Their Applications in Roadway Safety and Mobility Enhancement: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2506.06301v1
• Date: Mon, 19 May 2025 21:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.034827
• Title: Large Language Models and Their Applications in Roadway Safety and Mobility Enhancement: A Comprehensive Review
• Title（参考訳）: 大規模言語モデルとその道路安全・移動性向上への応用:包括的レビュー
• Authors: Muhammad Monjurul Karim, Yan Shi, Shucheng Zhang, Bingzhang Wang, Mehrdad Nasri, Yinhai Wang,
• Abstract要約: 本稿では,道路の安全性と移動性を高めるため,大規模言語モデル(LLM)の適用とカスタマイズについて概説する。 重要な焦点は、LLMがアーキテクチャ、トレーニング、プロンプト、マルチモーダル戦略を通じて、交通機関のユニークな時間的および物理的データで"モダリティギャップ"を埋める方法である。 潜在的な可能性にもかかわらず、固有のLLM制限(ハロシン化、推論欠陥)、データガバナンス(プライバシ、バイアスの複雑さ)、複雑さ(シモン・トゥ・リアル、レイテンシ)、厳格な安全保証に関する課題が続いている。
• 参考スコア（独自算出の注目度）: 14.611584622270405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Roadway safety and mobility remain critical challenges for modern transportation systems, demanding innovative analytical frameworks capable of addressing complex, dynamic, and heterogeneous environments. While traditional engineering methods have made progress, the complexity and dynamism of real-world traffic necessitate more advanced analytical frameworks. Large Language Models (LLMs), with their unprecedented capabilities in natural language understanding, knowledge integration, and reasoning, represent a promising paradigm shift. This paper comprehensively reviews the application and customization of LLMs for enhancing roadway safety and mobility. A key focus is how LLMs are adapted -- via architectural, training, prompting, and multimodal strategies -- to bridge the "modality gap" with transportation's unique spatio-temporal and physical data. The review systematically analyzes diverse LLM applications in mobility (e.g., traffic flow prediction, signal control) and safety (e.g., crash analysis, driver behavior assessment,). Enabling technologies such as V2X integration, domain-specific foundation models, explainability frameworks, and edge computing are also examined. Despite significant potential, challenges persist regarding inherent LLM limitations (hallucinations, reasoning deficits), data governance (privacy, bias), deployment complexities (sim-to-real, latency), and rigorous safety assurance. Promising future research directions are highlighted, including advanced multimodal fusion, enhanced spatio-temporal reasoning, human-AI collaboration, continuous learning, and the development of efficient, verifiable systems. This review provides a structured roadmap of current capabilities, limitations, and opportunities, underscoring LLMs' transformative potential while emphasizing the need for responsible innovation to realize safer, more intelligent transportation systems.
• Abstract（参考訳）: 道路の安全と移動性は現代交通システムにとって重要な課題であり、複雑で動的で異質な環境に対処できる革新的な分析フレームワークを必要としている。 従来のエンジニアリング手法は進歩してきたが、現実の交通の複雑さとダイナミズムはより高度な分析フレームワークを必要とする。 大きな言語モデル(LLM)は、自然言語の理解、知識の統合、推論において前例のない能力を持ち、将来的なパラダイムシフトを表している。 本稿では,道路安全・移動性向上のためのLCMの適用とカスタマイズについて概観的に検討する。 重要な焦点は、LLMがアーキテクチャ、トレーニング、プロンプト、マルチモーダル戦略を通じて、交通機関のユニークな時空間データと物理的データで"モダリティギャップ"を埋める方法である。 本レビューでは,移動性(交通流予測,信号制御など)および安全性(事故解析,運転行動評価など)における多様なLLM応用を系統的に分析する。 V2X統合、ドメイン固有基盤モデル、説明可能性フレームワーク、エッジコンピューティングなどの技術についても検討した。 潜在的な可能性にもかかわらず、固有のLLM制限(ハロシン化、推論欠陥)、データガバナンス(プライバシ、バイアス)、デプロイメントの複雑さ(シミュレート・トゥ・リアル、レイテンシ)、厳格な安全保証に関する課題が続いている。 先進的なマルチモーダル融合、時空間推論の強化、人間とAIのコラボレーション、継続的な学習、効率的で検証可能なシステムの開発など、将来の研究方向性の実証が強調されている。 このレビューは、LLMがより安全でインテリジェントな輸送システムを実現するための責任ある革新の必要性を強調しながら、現在の能力、限界、機会に関する構造化されたロードマップを提供する。

関連論文リスト

• Multimodal Large Language Models for Enhanced Traffic Safety: A Comprehensive Review and Future Trends [5.233512464561313]
  従来のアドバンストドライバー支援システムは、しばしば動的な現実のシナリオで苦労する。 本稿では,これらの制約に対処する上で,MLLM(Multimodal Large Language Models)の変換可能性について概説する。 MLLMを次世代の交通安全システムの基礎として位置づけることで、この分野に革命をもたらす可能性を示している。
  論文  参考訳（メタデータ） (2025-04-21T18:48:35Z)
• Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
  大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
  論文  参考訳（メタデータ） (2025-03-27T11:56:27Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Integrating LLMs with ITS: Recent Advances, Potentials, Challenges, and Future Directions [1.6121249557846946]
  本稿では,Large Language Models (LLMs) のITS最適化における変換可能性について概説する。 我々の分析は、これらの高度なモデルが交通管理と安全性を大幅に向上させる方法を明らかにしている。 本稿は,PLMをITSに統合する複雑性と機会を通じて,研究者や実践者を支援することを目的とする。
  論文  参考訳（メタデータ） (2025-01-08T11:37:35Z)
• 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)
• 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)
• 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)
• 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。