치안 자율주행분야의 대규모언어모델 활용에 대한 고찰
A Study on the Use of Large-Scale Language Models in the Policing Field of Autonomous Driving
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
자율주행 기술은 컴퓨터 비전 및 심층 신경망(DNN) 기술의 발전으로 크게 진보하였지만, 아직 높은 수준의 사고와 판단 능력에 대한 기술 개발이 필요하다. 그 해결점으로 LLM을 적용하여 이를 통해 인간이 사용하는 자연어를 이해하고 적절한 판단을 내리는 능력을 자율주행 시스템에 적용하여 이후 치안 자율주행 서비스에 혁신적 기회를 제공하는 것이 필요하다. 특히, 주행 시나리오 분석, 모션 플래닝, 주변 상황 이해 및 사용자 상호작용 개선에 기여할 수 있으며, 멀티모달 언어 모델(MLLM)을 통해 텍스트, 이미지, 오디오를 처리하며 자율주행의 안전성과 성능을 높일 수도 있다. 결과적으로 LLM은 자율주행의 핵심 기술로서 자리 잡을 것이며, 앞으로 자율주행과 연관된 치안 안전, 교통 안전 및 자율주행 관제시스템 등 다양한 분야로 발전할 것이다.
Abstract
While autonomous driving technology has made great strides with advances in computer vision and deep neural network (DNN) technology, there is still a need to develop skills in high-level thinking and judgment. As a solution, it is necessary to apply the LLM to apply the ability to understand natural language used by humans and make appropriate judgments to autonomous driving systems to provide innovative opportunities for future law enforcement autonomous driving services. In particular, it can contribute to driving scenario analysis, motion planning, understanding the surrounding situation, and improving user interaction, and it can also improve the safety and performance of autonomous driving by processing text, images, and audio through multimodal language models (MLLMs). As a result, LLM will become a key technology for autonomous driving and will be used in various fields related to autonomous driving, such as public safety, traffic safety, and autonomous driving control systems.
참고문헌 (10)
- Yurtsever, E., "A survey of autonomous driving : Common practices and emerging technologies", IEEE Access, 8, pp.58443~58469 (2020)
- Chen, J., "Interpretable end-to-end urban autonomous driv ing with latent deep reinforcement learning", IEEE Transactions on Intelligent Transp ortation Systems, 23(6), pp.5578~5591 (2021)
- Liu, P., "Pre-train, prompt, and predict : A systematic survey of prompting methods in natural language processing", ACM Computing Surveys, 55(9), pp.1~35 (2023)
- Xu, C., "Towards end-to-end learning for efficie nt dialogue agent by modeling looking-ahead ability", Proceedings of the 59th An nual Meeting of the Association for Computational Linguistics and the 11th Internati onal Joint Conference on Natural Language Processing (Volume 1: Long Papers), pp.1178~1188 (2021)
- Wang, J., "RNN-T based latency-controlled ASR for real-time speech recognition in autonomous driving", Proceedings of the 2020 International Conference on Multimodal Interaction, pp.708~712 (2020)