La sécurité routière reste un défi mondial crucial, avec avancé traditionnel
Systèmes d'aide à la conduite (ADAS) souvent en difficulté dans un monde réel dynamique
scénarios en raison du traitement fragmenté des capteurs et de la susceptibilité aux adversaires
conditions. Cet article passe en revue le potentiel de transformation du Multimodal Large
Modèles de langage (MLLM) pour remédier à ces limites en intégrant
données multimodales telles que visuelles, spatial, et les apports environnementaux pour permettre
compréhension holistique de la scène. Grâce à une analyse complète des systèmes basés sur MLLM
approches, nous soulignons leurs capacités à améliorer la perception,
prise de décision, et robustesse contradictoire, tout en examinant le rôle de
ensembles de données clés (par ex., MINOU, DRAME, ML4RoadSécurité) pour faire avancer la recherche.
En outre, nous décrivons les orientations futures, y compris le déploiement périphérique en temps réel,
raisonnement basé sur la causalité, et collaboration homme-IA. En positionnant les MLLM comme
une pierre angulaire des systèmes de sécurité routière de nouvelle génération, cette revue
souligne leur potentiel à révolutionner le domaine, offre évolutive,
des solutions contextuelles qui atténuent les risques de manière proactive et améliorent globalement
sécurité routière.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: