大型語言模型的快速普及引起了對先進人工智慧的興奮和擔憂。許多人正在尋求人工智慧安全方案，主要公司和政府正在投資研究。然而，目前的人工智慧安全技術議程可能不足夠，需要採取一種社會技術綜合方法來有效應對先進人工智慧的風險。 PubMed DOI

研究利用深度學習預測城市交通事故，改進駕駛輔助系統。比較了Transformer、ARIMA和Prophet模型，分析特徵重要性，並介紹大型語言模型的即時干預，適用於自動駕駛。探討多模態學習，使用LLaVA和深度概率推理增強自動駕駛系統。總結指出，深度學習中大型多模態模型的優勢，提升時間序列預測和特徵權重重要性，尤其在自動駕駛情境中，透過數據驅動的決策，打造更安全、更智慧的城市。 PubMed DOI

在實際應用中，機器人使用強化學習算法時必須確保安全。安全機器人強化學習（SRRL）對於人機共存至關重要，包括安全探索、安全價值對齊和安全協作等人性化框架。互動行為如ChatGPT可促進人機溝通，增進SRRL效能。然而，互動行為的SRRL仍需關注韌性、效率、透明度和適應性等挑戰。 PubMed DOI

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

這篇論文介紹了一個創新的低成本模擬駕駛評估系統，搭載語音助手，利用生成式人工智慧進行即時互動。這種模擬器提供比傳統實地評估更安全且可自訂的選擇，解決了高成本的問題。系統旨在提升駕駛者的情境意識，並促進正向情緒，幫助識別需要進一步評估的駕駛者。初步結果顯示，與語音助手互動的參與者在駕駛表現和情緒狀態上都有所改善。 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