基于雷达视频集成传感器数据的碰撞风险预测和接管需求评估:基于LLM的系统框架
Qingchao Liu1, Ruohan Yu1, Yingfeng Cai1
1Automotive Engineering Research Institute, Jiangsu University, Zhenjiang, China.
Accident; analysis and prevention
|May 6, 2025
概括
本研究引入了一种使用大型语言模型 (LLM) 预测碰撞风险和分析自动驾驶汽车接管需求的新框架,提高道路安全.
科学领域:
- 人工智能的人工智能
- 道路交通安全 道路交通安全
- 人与计算机的交互
背景情况:
- 自动驾驶汽车中的司机接管构成安全风险.
- 减少不必要或不安全的接管对于改善整体驾驶安全至关重要.
研究的目的:
- 开发一个可解释的系统框架,CPTR-LLM,用于使用大型语言模型 (LLM) 进行碰撞风险预测和接管需求分析.
- 提高自动驾驶安全系统的性能和可靠性.
主要方法:
- 使用大型语言模型 (LLM) 进行碰撞风险预测和接管需求分析系统 (CPTR-LLM).
- 采用了广泛的感知数据,两阶段的培训策略,推理链框架和错误检测/纠正机制.
- 使用横截面自动回归分布式滞后 (ARDL) 模型和增强平均组 (AMG) 验证的预测性能.
主要成果:
- 在碰撞风险预测中,CPTR-LLM实现了0.88准确度.
- ARDL和AMG模型证实了预测性能的可靠性.
- 在复杂的场景中,CPTR-LLM准确评估了收购需求,减少了不必要和不安全的收购.
结论:
- 开发的CPTR-LLM框架有效预测碰撞风险并分析接管需求.
- 在道路安全领域的LLM应用显示出提高自动驾驶安全的巨大潜力.
- 该系统在简单的场景中减少不必要的收购,并在复杂的多目标场景中减少不安全的收购.
