介紹了一個新的研究，提出了「分心駕駛語言模型」（DDLM），利用視覺大型語言模型（LLM）來辨識分心駕駛行為。DDLM整合了人體姿勢估計技術，分析關鍵姿勢特徵，並透過推理鏈框架提供清晰解釋。研究顯示，DDLM在評估駕駛行為和風險水平方面比標準模型表現更佳，可有效增進駕駛安全性。 PubMed DOI

大型語言模型對機器人任務規劃有幫助，但執行任務時有困難。提出多層模型，逐層分解任務以改善處理。視覺語言模型可幫助環境感知，整合任務目標與環境數據，進行精確運動規劃。語義對齊方法可增強任務可執行性。無人載具實驗驗證了此方法對應機器人任務規劃與執行的有效應對。 PubMed DOI

這個研究旨在幫助代理人更好地理解自然語言指令，探索使用大型語言模型在決策任務中的應用。新方法CPMI整合LLMs和輔助模組，提升了在執行指令方面的表現，尤其在數據有限的情況下。 PubMed DOI

Teriyaki是一個結合象徵性任務規劃和機器學習的框架，利用像GPT-3這樣的大型語言模型。這個方法旨在解決動態人機協作中的問題，透過逐步生成計劃行動提高效率，同時達成規劃和執行。初步結果顯示有希望的成果，包括更高的問題解決率、更短的計劃時間，以及縮短計劃可用性等待時間。 PubMed DOI

這篇論文提出一種新方法，利用大型語言模型（LLMs）、AI代理和開放地理數據，提升城市騎乘安全。方法包括分析城市風險和現有騎乘設施的數據，並透過數據預處理和提示工程，創建友好的系統，提供騎乘安全見解。過程分為數據準備、代理協調和決策執行三步，確保開源工具有效整合，促進城市規劃者和騎士的可及性。研究顯示結合LLMs和AI代理的潛力，能改善騎乘實踐和城市交通規劃。 PubMed DOI

城市交通擁堵對經濟和環境造成挑戰，自適應交通信號控制（ATSC）成為解決方案之一。近期，深度強化學習（DRL）的進展提升了ATSC的效能。本文介紹了一種新型ATSC方法——序列決策變壓器（SDT），結合注意力機制與序列決策模型，專為城市交通管理設計。SDT模型在馬可夫決策過程框架下運作，顯示出縮短訓練時間、改善決策過程等優勢，並在合成場景中超越傳統方法，顯示出緩解城市擁堵的潛力。 PubMed DOI

所提出的知識蒸餾增強行為轉換器（KD-BeT）框架，結合模仿學習和強化學習的優勢，旨在改善自駕車的行為決策。雖然強化學習在複雜環境中的推理能力較弱，但KD-BeT利用變壓器的上下文推理能力來增強決策。首先，透過模仿學習訓練教師模型，再利用知識蒸餾指導學生模型，提升強化學習的效率和性能。模擬結果顯示，KD-BeT在CARLA NoCrash基準測試中表現優異，特別在交通效率和駕駛安全性上超越其他方法，為解決自駕車挑戰提供了新思路。 PubMed DOI

這項研究探討如何利用先進的大型語言模型（LLMs）來提升煤礦安全評估。傳統方法在面對複雜數據時效率不佳，而這個系統能快速處理來自感測器的數據，並透過實體互動增強環境意識。結合煤礦安全知識庫，系統能進行邏輯推理、檢測異常及預測風險，並具備記憶功能以持續學習。研究中還設計了實驗框架，展示該系統在煤礦安全評估中的高效性，提供了一個創新的解決方案。 PubMed DOI

這項研究探討交通事故報告中的低報問題，這會影響交通安全措施的發展。傳統修正方法慢且易出錯，特別是處理大數據時。作者提出一個框架，利用大型語言模型（LLMs）分析事故敘述，識別低報因素，如酒精參與。研究團隊用麻薩諸塞州的500份事故報告進行案例研究，結果顯示高準確率，召回率達1.0，精確率0.93，成功識別低報情況。這方法提升了交通安全分析的效率，未來可改善事故記錄質量，支持更有效的安全對策。 PubMed DOI

這項研究提出了一種新方法，利用大型語言模型（LLMs）為機器人生成複雜的長期任務計畫。過去的研究多集中於簡單的任務規劃，動作指令通常不超過十個。新方法透過讓LLM主動收集資訊並進行問答，精煉任務計畫，並能識別和解決長期任務中的模糊性，增強計畫細節。研究以烹飪任務為例，實驗結果顯示，這種方法成功提升了任務計畫的資訊量，填補了長期機器人任務研究的空白。 PubMed DOI