评估预先训练的大型语言模型在分析自动驾驶汽车现场测试脱时的有效性
Melika Ansarinejad1, Sherif M Gaweesh2, Mohamed M Ahmed1
1Department of Civil and Architectural Engineering and Construction Management, University of Cincinnati (UC), Cincinnati, OH 45221, USA.
Accident; analysis and prevention
|July 27, 2025
概括
大型语言模型 (LLM) 可以有效地分析自动驾驶汽车 (AV) 脱离报告,以87%的准确度识别模式和原因. 这项技术通过加快数据分析来增强AV安全研究和开发.
科学领域:
- 人工智能的人工智能
- 自动驾驶汽车技术自动驾驶汽车技术
- 数据科学数据科学数据科学
背景情况:
- 从2-3级自动驾驶车辆 (AV) 实地测试中获得的脱离报告记录了从自动驾驶到手动控制的过渡.
- 手动分析这些报告是耗时的,劳动密集的,容易出现人为错误.
- 了解解锁因素对于改善AV性能和安全协议至关重要.
研究的目的:
- 评估预先训练的大型语言模型 (LLM) 在自动化分析AV脱离报告中的有效性.
- 评估LLM在识别模式和分类脱离原因方面的准确性,效率和可靠性.
- 为了比较基于LLM的分析与传统的手动方法.
主要方法:
- 利用了来自加利福尼亚州机动车辆部现场测试的脱离报告数据.
- 采用GPT-4o,一个大型语言模型,分析脱离报告中的文本数据.
- 专注于模式识别,原因分类和洞察力提取.
主要成果:
- 在分析脱数据方面,LLM显示出显著的潜力,准确度达到了87%.
- 通过LLM的应用,数据分析的速度和精度大大提高了.
- 识别了数据的局限性,包括不一致的制造商描述和关于脱离原因的有限细节.
结论:
- LLM为分析复杂的AV脱离数据集提供了具有成本效益和高效的解决方案.
- 通过LLM的自动化分析可以加速AV技术和安全方面的研究和开发.
- 尽管数据有限,但LLM为改善自动驾驶系统提供了宝贵的见解.
