A fusão do design centrado no humano e das capacidades de inteligência artificial abriu novas possibilidades para veículos autônomos de próxima geração que vão além do transporte tradicional. Esses veículos podem interagir dinamicamente com os passageiros e se adaptar às suas preferências. Este artigo propõe uma nova estrutura que aproveita modelos de linguagem grande (LLMs) para aprimorar o processo de tomada de decisão em veículos autônomos. Ao utilizar as habilidades de compreensão contextual dos LLMs com ferramentas especializadas, pretendemos integrar as capacidades de linguagem e raciocínio dos LLMs nos veículos autônomos. Nossa pesquisa inclui experimentos no HighwayEnv, uma coleção de ambientes para tarefas de direção autônoma e tomada de decisão tática, para explorar a interpretação, interação e raciocínio dos LLMs em vários cenários. Também examinamos algumas tarefas de condução personalizada em tempo real bem definidas, demonstrando como os LLMs podem influenciar comportamentos de direção com base nos comandos verbais dos motoristas. Nossos resultados empíricos destacam as vantagens substanciais de utilizar a indução de cadeia de pensamento, levando a decisões de direção aprimoradas e mostrando o potencial dos LLMs para melhorar experiências de direção personalizadas por meio de feedback verbal contínuo. A estrutura proposta visa transformar as operações de veículos autônomos, oferecendo suporte personalizado, tomada de decisões transparente e aprendizado contínuo para aumentar a segurança e eficácia. Alcançamos ecossistemas de condução autônoma centrados no usuário, transparentes e adaptativos, apoiados pela integração de LLMs nos veículos autônomos. Vídeos dos experimentos estão disponíveis em https://youtube.com/playlist?list=PLgcRcf9w8BmLJifqTGq-7KCZsbpEIE4a&si=dhH9lgaeSmB5K94t.
Cui et al. (Terça,) estudaram essa questão.