Neuer Durchbruch in der „Mensch-Fahrzeug-Interaktion'! Die Purdue University veröffentlicht das Talk2Drive-Framework: ein erlernbares/anpassbares „Befehlserkennungssystem'.

In der neuesten Forschung des Digital Twin Laboratory der Purdue University haben Wissenschaftler eine revolutionäre Technologie eingeführt – die Verwendung großer Sprachmodelle (LLM), um die intelligenten Befehlsanalysefähigkeiten autonomer Fahrzeuge zu verbessern. Diese Innovation eröffnet neue Möglichkeiten für die Entwicklung autonomer Fahrtechnologie und soll das Verständnis und die Reaktionsgeschwindigkeit von Fahrzeugen auf Fahranweisungen verbessern.

Der Schlüssel zu dieser Technologie ist das Talk2Drive-Framework, das darauf abzielt, mithilfe natürlicher menschlicher Sprache selbstfahrende Autos zu steuern und so eine einzigartige Art der Mensch-Fahrzeug-Interaktion zu schaffen.

Bilder

Papierlink: https://www.php.cn/link/5f221386d076f4e7f6a97bb3b406c7b8

Projektwebsite: purduedigitaltwin.github.io/llm4ad

Erreicht durch seine Design, Talk2Drive-Framework, autonomes Fahren, effizient, intuitive Interaktionen zwischen Autos und menschlichen Fahrern. Der laufende Prozess des Frameworks umfasst wichtige Schritte wie den Empfang von Befehlen, die Verarbeitung und Argumentation, die Generierung von ausführbarem Code sowie die Ausführung des Codes und das Sammeln von Feedback. Durch diese Schritte stellt das Framework sicher, dass autonome Fahrzeuge auf sichere und zuverlässige Weise mit Fahrern interagieren und bei Bedarf notwendige Entscheidungen und Maßnahmen treffen. Das Talk2Drive-Framework soll das Fahrerlebnis verbessern und bietet wichtige Unterstützung für die Entwicklung autonomer Fahrtechnologie.

Zuallererst kann das Framework durch fortschrittliche Spracherkennungstechnologie menschliche verbale Befehle genau empfangen und in Textanweisungen umwandeln und so ein genaues Verständnis menschlicher Absichten gewährleisten.

In Kombination mit Echtzeit-Umgebungsdaten aus der Cloud, wie z. B. Wetter- und Verkehrsbedingungen, integriert LLM diese wichtigen Kontextinformationen bei der Verarbeitung von Anweisungen, um sicherzustellen, dass die entwickelte Fahrstrategie sowohl sicher als auch an die aktuellen Umweltbedingungen anpassbar ist.

Bilder

LLM nutzt kontextbezogenes Lernen und Denkkettenaufforderungen, um über Anweisungen nachzudenken. Der generierte Code enthält nicht nur grundlegende Fahranweisungen, sondern beinhaltet auch komplexe Fahrverhaltensweisen und Parameter, die auf niedriger Ebene des Fahrzeugs angepasst werden müssen Regler. Die Anpassung dieser Parameter wie Vorausschaudistanz und Geschwindigkeit basiert auf einem umfassenden Verständnis der aktuellen Straßenverhältnisse und Fahrerbedürfnisse.

In Bezug auf die Sicherheit gewährleistet das Talk2Drive-Framework die Sicherheit des autonomen Fahrverhaltens, indem es das Format und die Parameter des generierten Codes streng überprüft.

, Dauer 05:24

Darüber hinaus ermöglicht die Einführung des Speichermoduls dem System, die Vorlieben und Rückmeldungen des Fahrers aufzuzeichnen und zu lernen, wodurch dem Fahrer ein personalisierteres Fahrerlebnis geboten wird.

Die Einzigartigkeit des Talk2Drive-Frameworks ist sein hochgradig personalisierter Service.

Durch die Analyse der verbalen Anweisungen der Passagiere, wie zum Beispiel „Bitte bringen Sie mich so schnell wie möglich zu meinem Ziel, ich möchte meine Freunde nicht zu lange warten lassen“ oder „Ich habe ein wenig Reiseübelkeit, bitte fahren Sie langsamer“, Das Framework kann die Bedürfnisse der Passagiere genau verstehen und erfüllen. Jede Mensch-Fahrzeug-Interaktion wird aufgezeichnet und zur Optimierung des Systems genutzt, sodass es die Präferenzen der Passagiere lernen und in Zukunft ein individuelleres Fahrerlebnis bieten kann.

Bilder

Darüber hinaus zeigen die experimentellen Ergebnisse, dass selbstfahrende Autos, die das Talk2Drive-Framework verwenden, bei Verwendung verschiedener LLMs für Fahrer mit unterschiedlichen Fahrstilen in tatsächlichen Straßentests gut abschneiden und Fahrer mit unterschiedlichem Grad an Undurchsichtigkeit verstehen können. Dadurch wird die Notwendigkeit einer manuellen Übernahme effektiv reduziert und die Möglichkeit besteht, sich an unterschiedliche Fahrstile und -szenarien anzupassen.

Dieser Erfolg zeigt nicht nur das enorme Potenzial großer Sprachmodelle im Bereich des autonomen Fahrens, sondern eröffnet auch einen neuen Weg für die zukünftige Entwicklung der autonomen Fahrtechnologie.

Bilder

Für verschiedene Fahrertypen kann die Verwendung des Talk2Drive-Frameworks die Übernahmequote während der Fahrt deutlich reduzieren.

Durch die kontinuierliche Weiterentwicklung und Optimierung der Technologie wird das Talk2Drive-Framework in der Lage sein, autonomen Fahrzeugen ein sichereres, komfortableres und personalisierteres Fahrerlebnis zu bieten. Diese bahnbrechende Forschung markiert nicht nur die Integration und den Fortschritt des autonomen Fahrens und der Mensch-Computer-Interaktion, sondern läutet auch den Beginn einer menschenorientierten und intelligenteren zukünftigen Transportära ein.

Forschungsteam

Das Purdue University Digital Twin Laboratory engagiert sich für Innovation und Erforschung an der Schnittstelle zwischen großen Sprachmodellen und autonomem Fahren.

Wir heißen Forscher, Ingenieure und Branchenkollegen aus der ganzen Welt, die sich für diesen Bereich interessieren, herzlich willkommen, unsere Projektwebsite zu besuchen, um gemeinsam die Entwicklung autonomer Fahrtechnologie voranzutreiben und die Möglichkeiten zukünftiger Transportmöglichkeiten zu erkunden.

Bilder

Referenz:

https://www.php.cn/link/5f221386d076f4e7f6a97bb3b406c7b8

Das obige ist der detaillierte Inhalt vonNeuer Durchbruch in der „Mensch-Fahrzeug-Interaktion'! Die Purdue University veröffentlicht das Talk2Drive-Framework: ein erlernbares/anpassbares „Befehlserkennungssystem'.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!