رباتیک
مدل جهان زبانی، نرخ برخورد در شبیه‌سازی رانندگی خودکار را کاهش داد
پژوهشگران Jev-AD را معرفی کرده‌اند؛ سامانه‌ای که پیامد حرکت‌های احتمالی خودروهای اطراف را برای دو ثانیه پیش‌بینی می‌کند تا عامل رانندگی بتواند تصمیم‌های امن‌تری بگیرد.
![Fig. 1: Three ways to act on a passenger’s request in a replayed NGSIM case (I-80): the passenger asks to move to the left lane while a car approaches in that lane at 18 m/s. (a) An LLM-based agent [ 4 , 5 ] , here Jev w](https://arxiv.org/html/2611.05448/2611.05448v1/paradigm.png)
در پیش‌چاپی در arXiv، پژوهشگران Jev-AD را معرفی کرده‌اند؛ سامانه‌ای برای رانندگی خودکارِ هدایت‌شده با زبان که مدل تصمیم‌گیری Jev را با یک «مدل جهان زبانی» ترکیب می‌کند. Jev به پرسش‌های ازپیش‌تعریف‌شده با احتمال پاسخ می‌دهد، نه با تولید متن آزاد. مدل جهان نیز حرکت خودروهای نزدیک را در دو ثانیهٔ آینده و برای هر اقدام احتمالی پیش‌بینی می‌کند. سپس کد این پیش‌بینی‌ها را به پیامدهای قابل‌مقایسه تبدیل می‌کند تا سامانه به‌جای استنباط مستقیم از مختصات صحنه، میان نتایج احتمالی تصمیم‌هایش انتخاب کند.
در شبیه‌سازی ادغام در بزرگراه، شامل ۵۰۰ اپیزود خودرو، افزودن این پیش‌بینی‌ها نرخ برخورد همان مدل تصمیم‌گیری را از ۲۶ درصد به ۲٫۴ درصد رساند؛ هر تصمیم ۰٫۲۵ ثانیه زمان برد. Jev-AD همچنین در ۹۳ درصد آزمایش‌های فرمان آزاد، منظور سرنشین را برآورده کرد. در ۵۰۰ اپیزود بازپخش‌شده از داده‌های واقعی NGSIM، نرخ برخورد از ۴۸٫۲ درصد به ۲٫۸ درصد کاهش یافت و مدل جهان توانست ۹۳ درصد از اقدام‌های خطرناک را پیش‌بینی کند. این نتایج مربوط به ارزیابی‌های شبیه‌سازی‌شده و بازپخش داده‌هاست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده