自动驾驶汽车的命令下达:如何处理不确定情况?
本文提出了一个包含自然语言命令的自主驾驶汽车对象引用数据集,并与相关数据集进行了比较以及使用强大的最新模型进行了表现分析,该对象引用任务对于模型仍需要自然语言处理、计算机视觉以及这些领域的交叉研究进行进一步的研究。
Sep, 2019
该研究介绍了一种基于语言的驾驶智能体,它使用递归层和门控注意力实现分层策略,通过条件模仿学习培训策略,并能够成功地解释语言指令并安全地跟随它们,甚至在以前未见过的环境中进行泛化。
Oct, 2019
本论文提出一种基于自然语言的方式来解决乘客对 AI 控制下的自动驾驶车辆的不安全感问题,重点研究目的地预测,提出了一种模型,并证明其在此类应用中比异类模型更有效。
Dec, 2021
利用大型语言模型(LLM)的 Talk-to-Drive 框架,通过处理人类的口头指令并结合上下文信息做出自主驾驶决策,实现个性化的安全、高效和舒适,成功率达到 100% 的执行命令,并在现实世界的实验中将不同驾驶员的接管率大幅降低至高达 90.1%,是在真实自主驾驶环境中应用 LLM 的首次实例。
Dec, 2023
本文研究了如何利用大型语言模型实现人机交互,并提出了一种基于不确定性估计方法的指令分类机制,利用上下文关系对摸棱两可的指令进行澄清,并使用问答生成技术与用户交互,最后在实际的人机交互场景中进行了验证。
Jun, 2023
自动驾驶汽车中人工智能的可解释性和人机界面对于建立信任起到重要作用,因此本研究探讨了可解释性人机系统的作用,提出了一种评估用户对自动驾驶行为的信任的情境感知框架,并通过实验证明了相关的经验结果。
Apr, 2024
基于 “物体引导” 模型方法和 Beta 先验的证据深度学习范式,该研究提出了一种解释自动驾驶车辆决策的方法,通过集成不确定性评估来克服复杂驾驶场景中可靠性方面的挑战,并在基于 BDD-OIA 数据集的实验中证明该模型在各种情景下优于现有基准模型。
Feb, 2024
通过利用大型语言模型(LLMs)的语言和推理能力,本研究提出了一个新的框架来增强自动驾驶车辆决策过程。通过在不同场景中进行试验和实时个性化示范,我们展示了利用 LLMs 能够改善驾驶决策、提供个性化驾驶体验并增强自动驾驶的安全和效果。
Oct, 2023
本研究提出了基于分离式概率潜变量模型来生成方向盘操控命令的新方法,以实现对自动驾驶汽车进行高层次控制的目的,并扩展了模型以训练对异常方向盘操控命令具有弹性的控制器,达到了在可靠性和可解释性方面均优于当今最先进的技术水平的目的。
Sep, 2019
本篇论文提出了一个通过深度学习技术处理自然语言和解决口语指令歧义的综合系统,旨在帮助机器人进行有效的人机交互,研究结果表明,通过建立对话式交互模型,机器人能够有效地理解和执行人类自然语言指令,并提高物体拾取任务的成功率。
Oct, 2017