基于人类推理的自动控制:探索语言模型在机动交通代理中的应用
本文提出了一种新颖的虚拟模拟飞行员引擎,该引擎利用不同的人工智能工具加速空中交通管制员(ATCo)的培训,并且采用了自动语音识别和理解、高级空中交通管制相关实体解析、文本到语音子模块等先进工具,能够模拟控制操作场景、生成模拟机长的话语并提高实时监视数据的辨识准确度,是首次基于开源ATC资源和AI工具的研究。
Apr, 2023
本文探讨使用大型语言模型(LLM)作为自动驾驶系统的潜力,认为传统优化和模块化的自动驾驶系统无法应对复杂情况,提出了理想的自动驾驶系统应具备的推理、解释和记忆三个关键能力,并通过实验证明LLM在自动驾驶中具有卓越的推理能力为人类化自动驾驶的发展提供了有价值的思路。
Jul, 2023
使用自然语言任务描述,通过自动合成基于自动机的控制器,并通过与独立提供的规范进行验证,将预训练语言模型完全自动调优以适应自主系统的应用,从而在减少成本的同时弥补了通用知识和特定领域要求之间的差距,其在自主驾驶等多个任务中显示出有效性,使控制器所满足规范的百分比从60%提高到90%。
Oct, 2023
我们提出了一种从普通流程转变的方法,即通过引入大型语言模型作为认知代理,将人类智能融入自动驾驶系统,实现更加人性化的自动驾驶。我们的方法通过函数调用访问一个多功能工具库、具有常识和经验知识的认知记忆以进行决策制定,并且具备由思维推理、任务规划、动作规划和自我反思构成的推理引擎。在大规模nuScenes基准测试中,我们的Agent-Driver显著优于现有的自动驾驶方法,并且还表现出较强的可解释性和少样本学习能力。
Nov, 2023
我们提出了一个新的机器推理角度:LAW,连接了语言模型、代理模型和世界模型的概念,以增强其推理能力。我们将世界和代理模型视为更好的推理抽象,引入了人类推理的关键元素,包括对世界和其他代理的信念,后果的预测,目标/奖励和战略规划。在LAW框架下,语言模型被用作实现系统或其元素的后端,从而提供计算能力和适应性。我们回顾了最近取得的相关进展,并讨论了将LAW框架操作化的未来研究方向。
Dec, 2023
综述了利用大型语言模型进行基于代理的建模和仿真的现状、挑战和未来发展方向,并提供了大型语言模型-基于代理的建模和仿真在实际环境和虚拟环境中的最新研究成果。
Dec, 2023
安装概率世界模型到人工智能代理中,为人类与控制这些代理打开了一个高效的交流途径;我们开发了一种名为语言引导的世界模型(LWMs),通过阅读语言描述来捕捉环境动态,提高了代理的通信效率,同时允许人类用简洁的语言反馈在多个任务中同时改变行为。该研究证明了当前最先进的Transformer架构在该基准测试上表现不佳,激励我们设计更强大的架构。通过模拟展示了我们提出的LWMs的实用性,使代理能够在执行前生成和讨论计划,增强了代理的可解释性和安全性,并使其在真实环境中的性能提高了三倍,而无需在该环境中进行任何交互式经验的收集。
Jan, 2024
通过历史数据集训练的CHATATC大型语言模型在非安全关键的交通流量管理环境中进行了研究,测试了其查询和回应能力,并详细介绍了用于与CHATATC对话代理进行交互和协作的图形用户界面的设计。
Feb, 2024
在本文中,我们探讨了大型语言模型(LLMs)在复杂人类系统中的推理能力,并提出了一种新的推理框架——“Mosaic Expert Observation Wall”(MEOW),利用生成型代理模拟技术。通过模拟数据训练一个专家模型,该模型在每个独立的模拟时间中专注于某个特定任务的“经验”,通过模拟积累的“经验”使其成为复杂人类系统中某个任务的专家。我们在模拟真实世界安全场景的通信游戏中进行了实验,结果表明我们提出的方法可以与现有方法协同工作,增强大型语言模型在复杂人类系统中的推理能力。
Mar, 2024
本研究解决了AI系统对齐的复杂挑战,尤其是在多智能体系统和人机团队中。提出了一种通过弱到强泛化的方法来进行模型对齐,该方法通过强模型促进弱模型的改进,进而在解释生成与模型对齐之间架起桥梁。研究结果表明,这种促进性方法不仅提升了模型性能,还提供了模型对齐的深刻见解,并展示了可扩展的AI系统监督潜力。
Sep, 2024