LLM-Auto: Murros ihmisen ja AV-viestinnässä

Kun itseohjautuvat ajoneuvot (AV) lähestyvät laajaa käyttöönottoa, merkittävä haaste on edelleen olemassa: silta ihmismatkaajien ja heidän robotti-kuljettajiensa välisen viestintäkuilun ylittäminen. Vaikka AV:t ovat tehneet merkittäviä edistysaskelia monimutkaisten tieliympäristöjen navigoinnissa, ne usein kamppailevat hienovaraisen, luonnollisen kielenkäytön käskyjen tulkinnassa, joka tulee niin helposti ihmisille.

Tässä innovatiivisessa tutkimuksessa Purdue-yliopiston Lylesin rakennus- ja liikenneinsinööritieteellisestä tiedekunnasta johtaja apulaisprofessori Ziran Wangin johdolla insinööritiimi on urannut innovatiivisen lähestymistavan parantamaan AV-ihmisten välistä vuorovaikutusta käyttäen tekoälyä. Heidän ratkaisunsa on integroida suuria kielen malleja (LLM) kuten ChatGPT itseohjautuvien ajojärjestelmiin.

Luonnollisen kielen voima AV:ssa

LLM:t edustavat askelta eteenpäin tekoälyn kyvyssä ymmärtää ja generoida ihmismäistä tekstiä. Nämä sofistitut tekoälyjärjestelmät on koulutettu laajoilla määrillä tekstuaalista dataa, mikä mahdollistaa niiden ymmärtää asiayhteyttä, hienovaraisuutta ja implisiittistä merkitystä tavoin, joita perinteiset ohjelmoitujen vastausten ei voi.

Itseohjautuvien ajoneuvojen kontekstissa LLM:t tarjoavat muunnoksenkykyä. Toisin kuin perinteiset AV-liittymät, jotka riippuvat tiettyjen äänikäskyjen tai nappi-syötteiden, LLM:t voivat tulkita laajan valikoiman luonnollisen kielen ohjeita. Tämä tarkoittaa, että matkustajat voivat viestiä ajoneuvojensa kanssa samalla tavalla kuin he viestivät ihmiskuljettajan kanssa.

Parannus AV-viestintäkyvyssä on merkittävä. Kuvittele kertovan autollesi “Olen myöhässä”, ja auton laskiessa automaattisesti tehokkaimman reitin ja mukauttaen ajo-tyyliään turvallisesti vähentämään matka-aikaa. Tai kuvittele kykyä sanoa “Tunnen olevani autossa”, mikä aiheuttaa ajoneuvon mukauttamaan liiketoimintaprofiiliaan sileämmäksi ajokokemukseksi. Nämä hienot vuorovaikutukset, joita ihmiset luonnollisesti ymmärtävät, tulevat mahdollisiksi itseohjautuvissa ajoneuvoissa LLM:n integroinnin kautta.

Purdue-yliopiston apulaisprofessori Ziran Wang seisoo testi-itseohjautuvan ajoneuvon vieressä, jota hän ja hänen opiskelijansa varustivat tulkkaamaan käskyjä matkustajilta käyttäen ChatGPT:ä tai muita suuria kielen malleja. (Purdue-yliopiston kuva/John Underwood)

Purdue-tutkimus: Menetelmä ja tulokset

Testatakseen LLM:n potentiaalia itseohjautuvissa ajoneuvoissa, Purdue-tiimi suoritti sarjan kokeita tasolla neljä itseohjautuvalla ajoneuvolla – vain yhden askeleen päässä täydellisestä itseohjautuvuudesta SAE Internationalin määritelmän mukaan.

Tutkijat alkoivat kouluttamalla ChatGPT:ä vastaamaan laajaan valikoimaan käskyjä, suorista ohjeista kuten “Ajaa nopeammin” epäsuoriin pyynnöihin kuten “Tunnen itseni liikkuessa”. He sitten integroivat tämän koulutetun mallin ajoneuvon olemassa oleviin järjestelmiin, mahdollistaen sen huomioon ottavan tekijöitä kuten liikennesääntöjä, tienolosuhteita, säätä ja anturidataa tulkittaessaan käskyjä.

Kokeellinen asettelu oli tiukka. Useimmat testit suoritettiin Columbusissa, Indianassa sijaitsevalla testiradalla – entisellä lentokentän kiitotiellä, joka mahdollisti turvallisen korkean nopeuden testaamisen. Lisäksi pysäköintikokeita tehtiin Purdue-yliopiston Ross-Ade Stadiumin pysäköintialueella. Kokeiden aikana LLM-avustettu AV vastasi sekä ennalta opittuihin että uusiin käskyihin matkustajilta.

Tulokset olivat lupaavia. Osallistujat ilmoittivat selvästi vähemmän epämukavuutta verrattuna tyypillisiin kokemuksiin tasolla neljä itseohjautuvissa ajoneuvoissa ilman LLM-avustusta. Ajoneuvo suoriutui johdonmukaisesti turvallisuuden ja mukavuuden perusmittareista, jopa vastatessaan käskyjä, joita se ei ollut nimenomaisesti koulutettu.

Ehkä eniten vaikuttavaa oli järjestelmän osoittama kyky oppia ja sopeutua yksittäisten matkustajien mieltymyksiin ajomatkan aikana, osoittaen todellisen henkilökohtaisten itseohjautuvien kuljetusten potentiaalin.

Purdue-yliopiston tohtorikoulutettava Can Cui istuu kyydissä testi-itseohjautuvassa ajoneuvossa. Mikrofoni konsolissa ottaa vastaan hänen käskynsä, jonka suuret kielen mallit pilvessä tulkkaavat. Ajoneuvo ajaa ohjeiden mukaan, jotka suuret kielen mallit generoivat. (Purdue-yliopiston kuva/John Underwood)

Tulevaisuuden kuljetuksen vaikutukset

Käyttäjille hyödyt ovat moninaiset. Kyky viestiä luonnollisesti itseohjautuvan ajoneuvon kanssa vähentää uuden teknologian oppimiskäyrää, tehdessä itseohjautuvista ajoneuvoista helpommin saatavilla laajemmalle joukolle ihmisiä, myös niille, jotka saattavat olla peloissaan monimutkaisista liittymistä. Lisäksi henkilökohtaiset sopeutumiskyky, jotka Purdue-tutkimuksessa osoitettiin, viittaavat tulevaisuuteen, jossa itseohjautuvat ajoneuvot voivat sopeutua yksittäisten matkustajien mieltymyksiin, tarjoten räätälöidyn kokemuksen jokaiselle matkustajalle.

Tämä parannettu vuorovaikutus voi myös parantaa turvallisuutta. Ymmärtämällä paremmin matkustajan aikomusta ja tilaa – kuten tunnistamalla, kun joku on kiireessä tai tuntee itsensä sairaaksi – itseohjautuvat ajoneuvot voivat sopeuttaa ajo-käyttäytymistään vastaavasti, mahdollisesti vähentäen onnettomuuksia, joita aiheuttaa väärä viestintä tai matkustajan epämukavuus.

Teollisuuden näkökulmasta tämä teknologia voi olla avaineroottinen tekijä kilpailukykyisessä itseohjautuvan ajoneuvon markkinassa. Valmistajat, jotka voivat tarjota enemmän intuitiivisen ja vastaanottavan käyttökokemuksen, voivat saavuttaa merkittävän etulyöntiaseman.

Haasteet ja tulevaisuuden suunnat

Vaikka tulokset ovat lupaavia, useita haasteita on edelleen ratkaistava ennen kuin LLM-integroidut itseohjautuvat ajoneuvot tulevat todellisuudeksi julkisilla teillä. Yksi avainasia on prosessointiaika. Nykyinen järjestelmä keskimäärin 1,6 sekuntia tulkita ja vastata käskyyn – hyväksyttyä ei-kriittisissä tilanteissa, mutta mahdollisesti ongelmallista tilanteissa, joissa vaaditaan nopeita vastauksia.

Toinen merkittävä huolenaihe on LLM:n potentiaali “hallusinoida” tai tulkita väärin käskyjä. Vaikka tutkimuksessa otettiin käyttöön turvallisuusmekanismit vähentämään tätä riskejä, ongelman kattava ratkaisu on välttämätöntä todellisen maailman toteutukseen.

Eteenpäin katsottaessa Wangin tiimi tutkii useita tutkimussuuntia. He arvioivat muita LLM:ä, mukaan lukien Google Gemini ja Meta Llama AI-avustajat, verrattaen suorituskykyä. Alkuvaiheen tulokset osoittavat, että ChatGPT suoriutuu parhaiten turvallisuuden ja tehokkuuden mittareissa, vaikka julkaisemattomat tulokset ovat tulossa.

Mielenkiintoinen tulevaisuuden suunta on LLM:n potentiaali ajoneuvovälisessä viestinnässä. Tämä voisi mahdollistaa monimutkaisemman liikenteen hallinnan, kuten itseohjautuvien ajoneuvojen neuvottelun etenemisestä risteyksissä.

Lisäksi tiimi on aloittamassa hanketta tutkimaan suuria visiomalleja – tekoälyjärjestelmiä, jotka on koulutettu kuvilla eikä tekstillä – auttamaan itseohjautuvia ajoneuvoja navigoimaan äärimmäisissä talviolosuhteissa, jotka ovat yleisiä Keski-Länsi-Yhdysvalloissa. Tämä tutkimus, jota tukee Center for Connected and Automated Transportation, voisi edelleen parantaa itseohjautuvien ajoneuvojen sopeutumiskykyä ja turvallisuutta.

Päättely

Purdue-yliopiston uraauurtava tutkimus suurten kielen mallien integroimisesta itseohjautuviin ajoneuvoihin merkitsee ratkaisevaa hetkeä kuljetusteknologiassa. Mahdollistamalla enemmän intuitiivisen ja vastaanottavan ihmisen ja itseohjautuvan ajoneuvon vuorovaikutuksen, tämä innovaatio ratkaisee kriittisen haasteen itseohjautuvien ajoneuvojen käyttöönotossa. Vaikka haasteita kuten prosessointiaika ja mahdollinen väärätulkinta ovat edelleen olemassa, tutkimuksen lupaavat tulokset avaavat tien tulevaisuuteen, jossa viestintä ajoneuvojemme kanssa voisi olla yhtä luonnollista kuin keskustelu ihmiskuljettajan kanssa. Kun tämä teknologia kehittyy, se voi vallankumouksellisesti muuttaa ei vain sitä, miten matkustamme, vaan miten me havaitsemme ja vuorovaikutamme tekoälyjen kanssa päivittäisissä elämässämme.