在分心驾驶时的情境感知:一个代理的多式联运LLM框架
Ahmad M Nazar1, Mohamed Y Selim1, Ashraf Gaffar1
1Department of Electrical and Computer Engineering, Iowa State University, Ames, IA, United States.
Frontiers in artificial intelligence
|October 31, 2025
概括
这项研究引入了一个大型语言模型 (LLM) 框架,用于分散驾驶干预,使用实时环境数据提供及时的驾驶员警报. 人工智能系统通过合成多模式信息来增强安全性,以实现上下文意识的干预.
科学领域:
- 人工智能的人工智能
- 计算机科学 计算机科学
- 汽车安全 汽车安全
背景情况:
- 分心驾驶是一个主要的公共安全问题,导致许多事故.
- 当前的驾驶辅助系统往往缺乏实时的环境感知和上下文感知干预.
研究的目的:
- 开发一个大型语言模型 (LLM) 驱动的框架,用于实时分心驾驶干预.
- 整合多模式环境数据以生成及时可操作的驾驶员警报.
主要方法:
- 设计了一个代理的LLM框架,假设预先检测到司机分心.
- 集成了用于物体检测,速度限制,交通和天气数据的专门工具.
- 使用结构化编排来有效地融合多模式数据,平衡准确性和简洁性.
主要成果:
- 该系统实现了85.7%的语义干预正确性.
- 平均响应延迟时间为1.74秒.
- 该框架有效地合成了多模式数据,以实时,可操作的警报,优于传统的ML方法.
结论:
- 由LLM驱动的多模式推理显示出分心驾驶干预的巨大潜力.
- 拟议的框架提高了情境意识,并保持了安全的简洁沟通.
- 这项工作为安全关键应用中智能AI驱动的驾驶员支持系统铺平了道路.


