La sicurezza stradale rimane una sfida globale critica, con l'avanzato tradizionale
Sistemi di assistenza alla guida (ADAS) spesso lottando nel dinamico mondo reale
scenari dovuti all’elaborazione frammentata dei sensori e alla suscettibilità agli avversari
condizioni. Questo articolo esamina il potenziale trasformativo del Multimodal Large
Modelli linguistici (MLLM) nell’affrontare queste limitazioni attraverso l’integrazione
dati intermodali come quelli visivi, spaziale, e input ambientali da abilitare
comprensione olistica della scena. Attraverso un'analisi completa di MLLM-based
approcci, evidenziamo le loro capacità nel migliorare la percezione,
il processo decisionale, e robustezza avversaria, esaminando anche il ruolo di
set di dati chiave (per esempio., GATTINO, DRAMMA, ML4Sicurezzastradale) nel portare avanti la ricerca.
Inoltre, delineiamo le direzioni future, inclusa l'implementazione edge in tempo reale,
ragionamento guidato dalla causalità, e la collaborazione uomo-intelligenza artificiale. Posizionando MLLM come
una pietra miliare per i sistemi di sicurezza stradale di prossima generazione, questa recensione
sottolinea il loro potenziale per rivoluzionare il campo, offerta scalabile,
soluzioni sensibili al contesto che mitigano proattivamente i rischi e migliorano complessivamente
sicurezza stradale.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: