LLMs fornecem cérebros para carros autônomos inteligentes artigo sugere
Artigo sugere que LLMs fornecem cérebros para carros autônomos inteligentes.
Um novo estudo demonstra que modelos de linguagem grandes podem ser eficazes como tomadores de decisão para veículos autônomos, pensando logicamente sobre cenários complexos.
Um grupo de pesquisadores da Universidade Tsinghua, da Universidade de Hong Kong e da Universidade da Califórnia, Berkeley, investigou a tecnologia de direção autônoma utilizando modelos de linguagem grandes (LLMs) para tomadas de decisão em alto nível. Seu novo artigo, publicado no servidor de pré-publicações arXiv em 4 de outubro, demonstra que LLMs podem compreender com sucesso cenários de tráfego, tomar decisões racionais aderindo a regras e fornecer explicações claras para suas decisões.
Embora os sistemas de direção autônoma existentes baseados em aprendizado profundo tenham mostrado promessa, eles ainda enfrentam desafios ao lidar com eventos raros e fornecer interpretabilidade. O artigo diz:
“LLMs podem pensar como seres humanos e raciocinar sobre novos cenários, combinando o senso comum, e o processo de pensamento visível torna-os fortemente interpretáveis. […] As habilidades de raciocínio e interpretabilidade dos LLMs ajudam a superar as limitações dos sistemas de aprendizado atuais em termos de adaptabilidade e transparência.”
Para aproveitar as vantagens dos LLMs, os pesquisadores criaram um processo de pensamento estruturado para gerenciar as etapas de raciocínio. O LLM reúne informações pertinentes, avalia o cenário de direção e fornece orientação de ação em alto nível. Essas decisões textuais são então convertidas em parâmetros que direcionam o controlador de baixo nível. Experimentos extensos destacam os consideráveis ganhos de desempenho usando essa abordagem.
- Elon Musk não compareceu ao tribunal e está sendo processado pela SEC
- 15 Maneiras Comprovadas de Aumentar o Engajamento do Cliente e Cons...
- Empolgante competição de esports no WeatherTech Raceway Laguna Seca
Comparado com o aprendizado por reforço e métodos de otimização, o sistema aprimorado pelos LLMs alcançou custos substancialmente menores e maior segurança em diversas tarefas de direção, incluindo cruzamentos, rotatórias e manobras de emergência. O artigo afirma:
“Este artigo apresenta um passo inicial para aproveitar os LLMs como tomadores de decisão eficazes para cenários intrincados de direção autônoma em termos de segurança, eficiência, generalização e interoperabilidade.”
Além das métricas quantificáveis, o LLM mostrou, segundo relatos, consciência situacional e adaptabilidade semelhantes aos motoristas humanos. Por exemplo, ele reduziu a velocidade adequadamente quando outro veículo tinha a preferência, em vez de otimizar apenas para eficiência.
Embora ainda em estágio inicial de pesquisa, esse trabalho pioneiro estabelece as bases para avanços contínuos. O artigo conclui:
“Aspiramos que isso sirva de inspiração para pesquisas futuras nesse campo.”
Crédito da imagem destacada: istockphoto; Pexels; Obrigado!
