Xe LLM: Một bước đột phá trong giao tiếp giữa con người và xe tự động

Khi các phương tiện tự động (AV) dần dần được áp dụng rộng rãi, một thách thức đáng kể vẫn còn tồn tại: bắc cầu giao tiếp giữa hành khách và tài xế robot của họ. Mặc dù AV đã đạt được những tiến bộ đáng kể trong việc điều hướng môi trường đường phức tạp, nhưng chúng thường gặp khó khăn trong việc giải thích các lệnh ngôn ngữ tự nhiên tinh vi mà con người dễ dàng thực hiện.

Đó là một nghiên cứu sáng tạo từ Trường Kỹ thuật Dân sự và Xây dựng của Đại học Purdue. Dưới sự dẫn dắt của Giáo sư Trợ lý Ziran Wang, một nhóm các kỹ sư đã tiên phong trong một phương pháp sáng tạo để tăng cường tương tác giữa con người và xe tự động sử dụng trí tuệ nhân tạo. Giải pháp của họ là tích hợp các mô hình ngôn ngữ lớn (LLM) như ChatGPT vào hệ thống lái tự động.’

Sức mạnh của ngôn ngữ tự nhiên trong xe tự động

LLM đại diện cho một bước nhảy vọt trong khả năng của trí tuệ nhân tạo để hiểu và tạo ra văn bản giống con người. Những hệ thống trí tuệ nhân tạo tinh vi này được đào tạo trên lượng lớn dữ liệu văn bản, cho phép chúng nắm bắt được ngữ cảnh, sắc thái và ý nghĩa ngụ ý theo cách mà các phản hồi được lập trình truyền thống không thể.

Trong bối cảnh xe tự động, LLM cung cấp một khả năng biến đổi. Không giống như các giao diện xe tự động thông thường dựa trên lệnh giọng nói hoặc đầu vào nút cụ thể, LLM có thể giải thích một loạt các lệnh ngôn ngữ tự nhiên. Điều này có nghĩa là hành khách có thể giao tiếp với xe của họ theo cách tương tự như họ giao tiếp với một tài xế con người.

Sự cải thiện trong khả năng giao tiếp của xe tự động là đáng kể. Hãy tưởng tượng bạn nói với xe của mình, “Tôi đang chạy muộn,” và nó tự động tính toán tuyến đường hiệu quả nhất, điều chỉnh phong cách lái xe để giảm thiểu thời gian di chuyển một cách an toàn. Hoặc hãy xem xét khả năng nói, “Tôi cảm thấy một chút say xe,” và xe sẽ điều chỉnh hồ sơ chuyển động của nó để có một chuyến đi mượt mà hơn. Những tương tác tinh vi này, mà các tài xế con người hiểu một cách trực giác, trở nên có thể cho xe tự động thông qua tích hợp LLM.

Giáo sư Trợ lý Ziran Wang của Đại học Purdue đứng cạnh một xe tự động thử nghiệm mà ông và sinh viên của mình đã trang bị để giải thích các lệnh từ hành khách sử dụng ChatGPT hoặc các mô hình ngôn ngữ lớn khác. (Ảnh của Đại học Purdue/John Underwood)

Nghiên cứu Purdue: Phương pháp và Kết quả

Để kiểm tra tiềm năng của LLM trong xe tự động, nhóm Purdue đã thực hiện một loạt các thí nghiệm sử dụng một xe tự động cấp 4 – chỉ một bước cách đầy đủ tự động như được định nghĩa bởi SAE International.

Các nhà nghiên cứu bắt đầu bằng cách đào tạo ChatGPT để phản hồi một loạt các lệnh, từ các lệnh trực tiếp như “Làm ơn lái xe nhanh hơn” đến các yêu cầu gián tiếp như “Tôi cảm thấy một chút say xe ngay bây giờ.” Họ sau đó tích hợp mô hình đã được đào tạo này với các hệ thống hiện có của xe, cho phép nó xem xét các yếu tố như luật giao thông, điều kiện đường, thời tiết và dữ liệu cảm biến khi giải thích các lệnh.

Thiết lập thí nghiệm rất nghiêm ngặt. Hầu hết các thử nghiệm được thực hiện tại một khu thử nghiệm ở Columbus, Indiana – một đường băng cũ cho phép thử nghiệm tốc độ cao an toàn. Các thử nghiệm đỗ xe bổ sung được thực hiện trong bãi đậu xe của Sân vận động Ross-Ade của Purdue. Trong suốt các thí nghiệm, xe tự động hỗ trợ LLM phản hồi cả các lệnh đã học trước và các lệnh mới từ hành khách.

Kết quả rất hứa hẹn. Người tham gia báo cáo tỷ lệ khó chịu thấp hơn đáng kể so với trải nghiệm điển hình trong xe tự động cấp 4 không có hỗ trợ LLM. Xe luôn vượt trội so với các chỉ số an toàn và thoải mái cơ bản, ngay cả khi phản hồi các lệnh mà nó chưa được đào tạo rõ ràng.

Có lẽ ấn tượng nhất, hệ thống đã chứng minh khả năng học hỏi và thích nghi với sở thích của hành khách cá nhân trong suốt chuyến đi, thể hiện tiềm năng cho việc vận chuyển tự động cá nhân hóa thực sự.

Sinh viên tiến sĩ Can Cui của Purdue ngồi trong xe tự động thử nghiệm. Một microphone trong bảng điều khiển thu nhận các lệnh của anh, mà các mô hình ngôn ngữ lớn trong đám mây giải thích. Xe di chuyển theo các lệnh được tạo ra từ các mô hình ngôn ngữ lớn. (Ảnh của Đại học Purdue/John Underwood)

Ảnh hưởng đến Tương lai của Vận chuyển

Đối với người dùng, lợi ích là đa dạng. Khả năng giao tiếp tự nhiên với xe tự động giảm thiểu đường cong học tập liên quan đến công nghệ mới, làm cho xe tự động trở nên dễ tiếp cận hơn với nhiều người, bao gồm cả những người có thể bị đe dọa bởi các giao diện phức tạp. Hơn nữa, khả năng tùy chỉnh được thể hiện trong nghiên cứu Purdue gợi ý về một tương lai nơi xe tự động có thể thích nghi với sở thích cá nhân, cung cấp trải nghiệm được tùy chỉnh cho từng hành khách.

Sự tương tác cải thiện này cũng có thể tăng cường an toàn. Bằng cách hiểu rõ hơn về ý định và trạng thái của hành khách – chẳng hạn như nhận ra khi ai đó đang vội vàng hoặc cảm thấy không khỏe – xe tự động có thể điều chỉnh hành vi lái xe của mình cho phù hợp, có khả năng giảm thiểu các tai nạn do giao tiếp không rõ ràng hoặc khó chịu của hành khách.

Từ góc độ ngành, công nghệ này có thể là một yếu tố khác biệt quan trọng trong thị trường xe tự động cạnh tranh. Các nhà sản xuất có thể cung cấp trải nghiệm người dùng trực quan và phản hồi hơn có thể đạt được lợi thế đáng kể.

Thách thức và Hướng đi Tương lai

Mặc dù có những kết quả đầy hứa hẹn, vẫn còn một số thách thức trước khi xe tự động tích hợp LLM trở thành hiện thực trên đường công cộng. Một vấn đề quan trọng là thời gian xử lý. Hệ thống hiện tại trung bình 1,6 giây để giải thích và phản hồi một lệnh – có thể chấp nhận được trong các tình huống không quan trọng nhưng có thể gây vấn đề trong các tình huống yêu cầu phản hồi nhanh.

Một mối quan tâm đáng kể khác là khả năng LLM “hoang tưởng” hoặc hiểu sai lệnh. Mặc dù nghiên cứu đã kết hợp các cơ chế an toàn để giảm thiểu rủi ro này, nhưng việc giải quyết vấn đề này một cách toàn diện là rất quan trọng cho việc triển khai thực tế.

Nhìn về phía trước, nhóm của Wang đang khám phá một số hướng nghiên cứu khác. Họ đang đánh giá các LLM khác, bao gồm Gemini của Google và Llama AI của Meta, để so sánh hiệu suất. Kết quả sơ bộ cho thấy ChatGPT hiện đang vượt trội so với các chỉ số an toàn và hiệu quả khác, mặc dù các phát hiện đã được công bố.

Một hướng đi tương lai thú vị là khả năng giao tiếp giữa các xe sử dụng LLM. Điều này có thể cho phép quản lý giao thông tinh vi hơn, chẳng hạn như xe tự động đàm phán quyền ưu tiên tại các ngã tư.

Ngoài ra, nhóm đang bắt đầu một dự án để nghiên cứu các mô hình tầm nhìn lớn – hệ thống trí tuệ nhân tạo được đào tạo trên hình ảnh chứ không phải văn bản – để giúp xe tự động điều hướng các điều kiện thời tiết mùa đông khắc nghiệt phổ biến ở Trung Tây. Nghiên cứu này, được hỗ trợ bởi Trung tâm Vận chuyển Kết nối và Tự động, có thể tăng cường hơn nữa khả năng thích nghi và an toàn của xe tự động.

Kết luận

Nghiên cứu đột phá của Đại học Purdue về việc tích hợp các mô hình ngôn ngữ lớn với xe tự động đánh dấu một khoảnh khắc quan trọng trong công nghệ vận chuyển. Bằng cách cho phép giao tiếp giữa con người và xe tự động trở nên trực quan và phản hồi hơn, đổi mới này giải quyết một thách thức quan trọng trong việc áp dụng xe tự động. Mặc dù vẫn còn những chướng ngại vật như tốc độ xử lý và khả năng hiểu sai, nhưng kết quả đầy hứa hẹn của nghiên cứu mở ra con đường cho một tương lai nơi giao tiếp với xe của chúng ta có thể tự nhiên như trò chuyện với một tài xế con người. Khi công nghệ này phát triển, nó có tiềm năng cách mạng hóa không chỉ cách chúng ta di chuyển, mà còn cách chúng ta nhận thức và tương tác với trí tuệ nhân tạo trong cuộc sống hàng ngày.