基于大语言模型的对话式生成自动驾驶仿真场景
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
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
为了推动自动化任务导向对话系统的评估,本研究提出了一种基于预训练语言模型的新型用户模拟器,并通过上下文学习来生成具有鲁棒性和语言多样性的输出,以模拟人类对话行为。通过与现有对话系统交互,并收集人机交互数据集,验证了该用户模拟器在单一意图对话目标方面的表现与人类相似。
Sep, 2023
未来的自动驾驶车辆依赖于人本主义设计和先进的人工智能能力,本文提出了一个新的框架,利用大型语言模型(LLMs)增强自动驾驶车辆的决策过程,目标是将 LLMs 的自然语言能力和上下文理解、专用工具使用、思维协同和各种模块行为与自动驾驶车辆无缝集成在一起,为自动驾驶技术提供个性化辅助、持续学习和透明决策,从而为更安全、更高效的自动驾驶技术作出贡献。
Sep, 2023
在第二语言学习中,基于情景的对话实践对于语言学习者实现口语流利至关重要,本文提出了基于情境的对话模型,通过在大型语言模型(LLMs)上进行微调,旨在结合开放式对话的吸引力和基于情景任务的集中练习。利用 LLMs 的泛化能力,我们证明了我们的情境对话模型在训练话题和未遇到的话题上都有效,为支持广泛的会话主题提供了有希望的解决方案。此外,对话系统领域的研究仍缺乏可靠的自动评估指标,引发人工评估作为黄金标准(Smith 等,2022)的问题,而且通常成本较高。为了解决现有评估方法的局限性,我们提出了一种新颖的自动评估方法,利用经过微调的 LLMs 来高效而有效地评估情境对话模型的性能。
Mar, 2024
自动驾驶技术是改变交通运输和城市流动性的催化剂,从基于规则的系统过渡到基于数据驱动的策略。该研究论文系统地回顾了大型语言模型在自动驾驶领域的应用,并评估了当前技术进展、主要挑战和未来方向。
Nov, 2023
通过利用大型语言模型 (LLMs) 的升级力量,本研究关注于构建一个可作为用户与用户界面之间中介的框架,通过对自然文本输入进行彻底分析,有效地理解用户需求,使得精心设计的 LLM 引擎能够分类最可能的可用应用程序,识别所需的用户界面组件,并随后执行用户预期行为,从而将静态用户界面系统转变为高度动态和适应性强的解决方案,引入智能和响应式用户体验的新领域。这样的框架可以从根本上改变用户完成日常任务的方式,提高效率,并大大减少认知负荷。
Feb, 2024
自动驾驶的进化取得了显著的进展,并成为了一个实际存在的现实。为了确保自动驾驶系统符合用户意图,准确辨别和解释用户指令尤其是在复杂或紧急情况下是至关重要的。为了实现这一目标,我们提出利用大型语言模型(LLMs)的推理能力,从车载用户的指令中推断系统需求。通过一系列实验,包括不同的 LLM 模型和提示设计,我们探索了通过自然语言文本指令从少量样本进行多元二值分类的精确度。我们确认 LLM 可以理解和推理提示,但强调其有效性取决于 LLM 模型的质量和适当的连续提示的设计。代码和模型可在以下链接找到:https://github.com/KTH-RPL/DriveCmd_LLM。
Nov, 2023
本文旨在通过预训练大型语言模型及相应的提示技术,实现轻量级、可通用的基于自然语言的手机交互,解决开发人员需要针对每项具体任务创建独立数据集和模型的成本和劳动力问题。研究表明,针对移动 UI 设计的四项重要建模任务中,我们的方法在不需要专用数据集和训练的情况下,取得了令人满意的竞争成绩。
Sep, 2022
利用大型语言模型(LLMs)与强化学习相结合的混合端到端学习框架,通过基于多模态提示标记的基本驾驶模仿学习与 LLMs 的结合,来提高自动驾驶性能。
Apr, 2024