注意散漫運転における状況認識：エージェンティックなマルチモーダルLLMフレームワーク

はじめに 注意散漫運転は重要な公共安全の懸念事項であり、毎年多数の事故を引き起こしています。多くのドライバー支援システムは注意散漫検出を強調していますが、リアルタイムの環境認識や文脈に応じた介入を提供することはできていません。方法 本研究では、注意散漫が事前に検出されていることを前提とし、カメラとGPSの入力を動的に統合して音声によるドライバーへの警告を生成する大規模言語モデル（LLM）駆動の介入フレームワークを提案します。本フレームワークはエージェンティック設計を採用し、専用ツールが物体検出、制限速度、交通状況、気象データを担当します。構造化された調整により情報が効率的に融合され、正確さと簡潔さのバランスを取りつつ、ドライバーの負担を避けます。結果 システム評価では、意味的介入の正確率が85.7％、平均応答遅延は1.74秒という高性能が示されました。従来の機械学習ベースのドライバー支援手法と比較して、本フレームワークはマルチモーダルな環境データを効果的に統合し、リアルタイムで実行可能な警告を生成します。考察／結論 これらの結果は、LLM駆動のマルチモーダル推論が注意散漫運転介入において有望であることを示しています。専用エージェントと構造化調整の統合により、状況認識が向上し、簡潔なコミュニケーションを維持しつつリアルタイムの安全性要件を満たすことが可能です。本概念実証は、安全性が重要な応用分野に知能的AI駆動ドライバー支援システムを展開する道筋を確立します。