قرارداد جوهر سازنده نیروی هوایی، رباتیک برای اتوماسیون هواپیماهای پیشرفته

تحقیقات جدید پیشگامانه نشان داده است که چت ربات های مجهز به هوش مصنوعی مانند ChatGPT تا چه حد می توانند بر وسایل نقلیه خودران (AVs) در آینده تأثیر بگذارند.

یک مطالعه توسط مهندسان دانشگاه پوردو ایندیانا نشان می‌دهد که مدل‌های زبان بزرگ (LLM) می‌توانند نقش کلیدی در کمک به AVها در درک دستورات سرنشینان داشته باشند.

و این حتی می‌تواند به انتخاب خودکار مسیر بهینه در زمانی که یک کامنت به سادگی «عجله دارم» توسط یک مسافر استفاده می‌شود، کشیده شود.

این تحقیق توسط زیران وانگ، استادیار دانشکده مهندسی عمران و ساخت و ساز لایلز در پوردو هدایت شده است، که گفت این نشان می دهد که چگونه LLM ها ارتباط بهتر بین خودرو و مسافران را تسهیل می کنند، زیرا آنها از مقادیر عظیمی از داده های متنی و متنی آموزش دیده اند. دائما در حال یادگیری و تکامل هستند.

وانگ توضیح داد: «سیستم‌های معمولی در وسایل نقلیه ما یک طراحی رابط کاربری دارند که در آن باید دکمه‌ها را فشار دهید تا آنچه می‌خواهید را منتقل کنید، یا یک سیستم تشخیص صدا که از شما می‌خواهد هنگام صحبت کردن بسیار صریح باشید تا وسیله نقلیه شما بتواند شما را درک کند.

«اما قدرت مدل‌های زبان بزرگ این است که می‌توانند به‌طور طبیعی همه چیزهایی که شما می‌گویید را درک کنند. من فکر نمی کنم هیچ سیستم موجود دیگری بتواند این کار را انجام دهد.»

در مطالعه پوردو، LLM ها AV را رانندگی نکردند، بلکه در عوض از طریق ویژگی های موجود به رانندگی کمک کردند. وانگ و تیمش دریافتند که با درک بهتر سرنشینان، AV می تواند کمک رانندگی خود را به درستی تنظیم کند.

مرتبط:شرکت هوش مصنوعی 200 میلیون دلار برای توسعه کامیون‌های خودران تضمین می‌کند

به‌عنوان آماده‌سازی برای فرآیند آزمایش، وانگ و تیمش ChatGPT را با اعلان‌های صریح، مانند «لطفا سریع‌تر رانندگی کنید»، به موارد غیرشفاف‌تر، مانند «حالا کمی احساس بیماری می‌کنم» آموزش دادند. LLM ها همچنین پارامترهای مختلفی مانند قوانین جاده، شرایط ترافیکی، آب و هوا و اطلاعات سنسورهای خودرو را در نظر گرفتند.

سپس یک AV با اتوماسیون سطح 4، همانطور که توسط انجمن مهندسین خودرو تعریف شده بود، از طریق ابر به این LLMها دسترسی پیدا کرد و در یک میدان آزمایشی در کلمبوس، ایندیانا مشاهده شد.

چیزی که تیم پوردو پیدا کرد این بود که وقتی سیستم تشخیص گفتار AV فرمانی را از یک سرنشین تشخیص داد، LLM فرمان را در پارامترهای تعریف‌شده در نظر گرفت و سپس دستورالعمل‌هایی را برای سیستم درایو با سیم – که به دریچه گاز وصل می‌شود – تولید کرد. ترمز، دنده و فرمان – در مورد بهترین نحوه رانندگی.

سایر عناصر آزمایش به LLMها اجازه می‌دهد تا داده‌های تاریخی را بر روی ترجیحات مسافر ذخیره کنند، به این معنی که می‌توانند توصیه‌های مناسبی را هنگام شنیدن یک فرمان آشنا ایجاد کنند.

مرتبط:هوش مصنوعی به خودروهای خودران BMW کمک می کند تا وسایل نقلیه اضطراری را شناسایی کنند

بازخورد شرکت‌کنندگان به‌طور یکنواخت مثبت بود، با تصمیم‌گیری‌های AV مجهز به LLM در مقایسه با داده‌هایی که نشان می‌دهد افراد هنگام سوار شدن به AV سطح 4 که کمک LLM ندارد، میزان ناراحتی کمتری داشتند.

با این حال، هنوز راه زیادی برای دستیابی به فناوری وجود دارد. اگرچه LLMها دستورات مسافران را در یک زمان متوسط ​​قابل قبول 1.6 ثانیه پردازش می‌کنند، اما در صورت نیاز به پاسخ‌های سریع، این باید بهبود یابد. وانگ همچنین خاطرنشان کرد که تست‌های بسیار بیشتری باید توسط خودروسازان انجام شود و برای ادغام LLM‌ها با کنترل‌های AV به تأییدیه‌های نظارتی نیاز است.

این مطالعه با نام “رانندگی خودمختار شخصی با مدل های زبان بزرگ: آزمایش های میدانی” در 25 سپتامبر در کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند در ادمونتون، کانادا ارائه خواهد شد.

این مقاله برای اولین بار در نشریه خواهر AI Business ظاهر شد دنیای اینترنت اشیا امروز.