LLM-Auto: Murrin Edistysaskel Ihmisen ja AV-Välinen Viestintä

Kun itseohjautuvat ajoneuvot (AV) lähestyvät laajamittaista käyttöönottoa, merkittävä haaste on edelleen olemassa: siltaa ihmisten ja heidän robotti-kuljettajiensa välisen viestinnän kuiluun. Vaikka AV:t ovat tehneet merkittäviä edistysaskelia monimutkaisten tienympäristöjen navigoinnissa, ne usein kamppailevat ymmärtääkseen nuansseja, luonnollisen kielenkäytön komentoja, jotka tulevat niin helposti ihmisille.

Tässä innovatiivisessa tutkimuksessa Purdue-yliopiston Lylesin siviili- ja rakennusinsinööritieteellisestä tiedekunnasta. Johtaja, apulaisprofessori Ziran Wang, insinöörien tiimi on kehittänyt innovatiivisen lähestymistavan parantaa AV-ihmisen 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 monimutkaiset tekoälyjärjestelmät on koulutettu laajoilla määrillä tekstuaalista dataa, mikä mahdollistaa niiden ymmärtää kontekstia, nuansseja ja implisiittisiä merkityksiä tavoin, joita perinteiset ohjelmatut vastaukset eivät voi.

Itseohjautuvien ajoneuvojen kontekstissa LLM:t tarjoavat muunnoksen kyvyn. Toisin kuin perinteiset AV-liittymät, jotka riippuvat tiettyjen äänikomandojen tai nappien syötteen, LLM:t voivat tulkita laajan valikoiman luonnollisen kielen ohjeita. Tämä tarkoittaa, että matkustajat voivat viestiä ajoneuvojensa kanssa samalla tavalla kuin he viestivät ihmiskuljettajien kanssa.

Parannus AV-viestintäkyvyssä on merkittävä. Kuvittele kertovan ajoneuvollesi, “Olen myöhässä”, ja sen automaattisesti laskevan tehokkaimman reitin, sopeuttaen ajo-tyyliään turvallisesti vähentääksesi matka-aikaa. Tai kuvittele kykyä sanoa, “Tunnistan olevani autossa”, mikä aiheuttaa ajoneuvon sopeuttamaan liiketoimintaprofiiliaan sileämmäksi ajokokemukseksi. Nämä hienot vuorovaikutukset, joita ihmiset ymmärtävät vaistomaisesti, tulevat mahdollisiksi itseohjautuvissa ajoneuvoissa LLM:n integroinnin kautta.

Purdue-yliopiston apulaisprofessori Ziran Wang seisoo kokeellisen itseohjautuvan ajoneuvon vieressä, jonka hän ja hänen opiskelijansa varustivat tulkitsemaan matkustajien komentoja käyttäen ChatGPT:ä tai muita suuria kielen malleja. (Purdue-yliopiston kuva/John Underwood)

Purdue-tutkimus: Menetelmä ja Tulokset

Kokeillakseen LLM:n potentiaalia itseohjautuvissa ajoneuvoissa, Purdue-tiimi suoritti sarjan kokeita käyttäen neljän tason itseohjautuvaa ajoneuvoa – vain yhden askeleen päässä täydellisestä itseohjautuvuudesta SAE Internationalin määrittelyssä.

Tutkijat alkoivat kouluttamalla ChatGPT:ä vastaamaan laajaan valikoimaan komentoja, suorista ohjeista kuten “Ajaa nopeammin” epäsuoriin pyynnöihin kuten “Tunnistan olevani autossa”. He sitten integroivat tämän koulutetun mallin ajoneuvon olemassa oleviin järjestelmiin, mahdollistaen sen huomioon liikennesäännöt, tienolot, sää ja anturidataa tulkittaessaan komentoja.

Kokeellinen asetelma oli tiukka. Useimmat testit tehtiin osoittautuneella maantiellä Columbusissa, Indianassa – entisellä lentokentällä, joka mahdollisti turvallisen korkeanopeuksisen testauksen. Lisäksi pysäköintikokeita tehtiin Purdue-yliopiston Ross-Ade Stadiumin pysäköintialueella. Kokeiden aikana LLM-avustettu AV vastasi sekä ennalta opittuihin että uusiin komentoihin matkustajilta.

Tulokset olivat lupaavia. Osallistujat ilmoittivat merkittävästi vähemmän epämukavuutta verrattuna tyypillisiin kokemuksiin neljän tason itseohjautuvissa ajoneuvoissa ilman LLM-avustusta. Ajoneuvo ylitti johdonmukaisesti turvallisuus- ja mukavuusmittaukset, jopa vastatessaan komentoihin, joita se ei ollut nimenomaan opetettu.

Ehkä eniten vaikuttava asia oli järjestelmän osoittama kyky oppia ja sopeutua yksittäisten matkustajien mieltymyksiin ajomatkan aikana, osoittaen todellisen henkilökohtaista itseohjautuvan liikenteen potentiaalia.

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

Tulevaisuuden Liikenteen 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 käyttöliittymistä. Lisäksi henkilökohtaisuuden mahdollisuudet, jotka Purdue-tutkimuksessa havaittiin, 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 huonovointiseksi – itseohjautuvat ajoneuvot voivat sopeuttaa ajo-käyttäytymistään vastaavasti, mahdollisesti vähentäen onnettomuuksia, joita aiheuttaa väärinymmärrys tai matkustajan epämukavuus.

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

Haasteet ja Tulevaisuuden Suunta

Vaikka lupaavat tulokset, useita haasteita on edelleen ennen kuin LLM-integroidut itseohjautuvat ajoneuvot tulevat todellisuudeksi julkisilla teillä. Yksi avainasia on prosessointiaika. Nykyinen järjestelmä keskimäärin 1,6 sekuntia tulkita ja vastata komentoon – hyväksyttyä ei-kriittisissä tilanteissa, mutta potentiaalisesti ongelmallista tilanteissa, jotka vaativat nopeita vastauksia.

Toinen merkittävä huolenaihe on LLM:n potentiaalinen “hallusinaatio” tai väärinymmärrys komentoja. Vaikka tutkimuksessa otettiin käyttöön turvallisuusmekanismit vähentämään tätä riskiä, tämän asian kattava ratkaisu on olennainen todellisen maailman toteutukselle.

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

Mielenkiintoinen tulevaisuuden suunta on mahdollisuus ajoneuvon väliseen viestintään LLM:n avulla. Tämä voisi mahdollistaa monimutkaisemman liikenteen hallinnan, kuten itseohjautuvien ajoneuvojen neuvottelun oikeudesta ohittaa risteyksissä.

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

Pohjimmiltaan

Purdue-yliopiston uraauurtava tutkimus suurten kielen mallien integroinnista itseohjautuvien ajoneuvojen kanssa merkitsee ratkaisevaa hetkeä liikenneteknologiassa. Mahdollistaessaan enemmän intuitiivista ja vastaanottavaa ihmisen ja itseohjautuvan ajoneuvon vuorovaikutusta, tämä innovaatio ratkaisee kriittisen haasteen itseohjautuvan ajoneuvon omaksumisessa. Vaikka esteet, kuten prosessointiaika ja mahdollinen väärinymmärrys, 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, sillä on potentiaali vallankumous ei ainoastaan siinä, miten matkustamme, vaan myös siinä, miten havaitsemme ja vuorovaikutamme tekoälyn kanssa päivittäisissä elämässämme.