原始文章

SafeMod是一個新框架,旨在提升自動駕駛的安全性,透過改善複雜環境中的決策和情境管理。它克服了傳統方法的局限,採用雙向規劃結構,包括前向和後向規劃。前向規劃利用大型語言模型預測周圍行為,生成行動預測,並由基於變壓器的規劃器處理,結合文本和影像數據創建駕駛軌跡。後向規劃則透過強化學習精煉這些軌跡,選擇最佳行動。實驗結果顯示,SafeMod在安全性和決策能力上優於其他系統,顯示其在自動駕駛中的潛力。 PubMed DOI


站上相關主題文章列表

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