Bagaimana Penalaran LLM Meningkatkan Keselamatan Kendaraan Otonom Hingga 63%: Kerangka Kerja RL Baru
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
Perkembangan menuju kendaraan otonom penuh berlangsung sangat cepat. Masa depan ini menjanjikan jalan yang lebih aman dan arus lalu lintas yang lebih efisien. Namun, mencapai tujuan tersebut bukanlah hal yang mudah. Model pembelajaran penguatan tradisional telah lama menjadi tulang punggung pengambilan keputusan pada mobil tanpa pengemudi. Sistem ini belajar melalui interaksi dengan lingkungan. Mereka menyerap data dalam jumlah besar untuk menyempurnakan kebijakan mengemudi. Meskipun unggul dalam skenario terkontrol, sistem ini sering kesulitan menafsirkan konteks yang lebih luas. Konteks tersebut meliputi peraturan lalu lintas, pertimbangan etis, atau intuisi layaknya manusia. Kesenjangan ini dapat menimbulkan perilaku tak terduga yang membahayakan keselamatan.
Para peneliti kini menghadirkan solusi menarik untuk menjembatani kesenjangan ini. Dengan menggabungkan penalaran Model Bahasa Besar (LLM) dengan pembelajaran penguatan, mereka menciptakan kerangka kerja hibrida. Kerangka ini memadukan keunggulan kedua pendekatan. Sistem dimulai dengan Model Visual-Bahasa yang memindai jalan di depan. Alat ini menerjemahkan input visual menjadi deskripsi bahasa alami yang terperinci. Sistem mencatat segala hal mulai dari tata letak persimpangan hingga pergerakan pejalan kaki dan kecepatan kendaraan. Konteks teks yang kaya ini kemudian dimasukkan ke dalam LLM bersama dengan prompt terstruktur. Prompt tersebut berisi regulasi lalu lintas, prinsip mengemudi defensif, serta pengalaman mengemudi historis.
LLM berperan melakukan penalaran tingkat tinggi. Hasilnya adalah tindakan referensi yang selaras dengan norma manusia dan persyaratan hukum. Lalu bagaimana kita memastikan saran ini aman? Mekanisme perlindungan berlapis berfungsi sebagai pengaman. Proses ini memvalidasi keputusan melalui pemetaan backend, verifikasi logika, dan batasan keselamatan yang ketat. Alur kerja ini menyaring halusinasi atau perintah yang secara fisik tidak mungkin dijalankan oleh mobil. Sementara itu, komponen pembelajaran penguatan terus mengoptimalkan jaringan kebijekannya. Optimasi dilakukan dengan menggabungkan data lingkungan, keadaan kendaraan sendiri, dan lintasan masa lalu.
Sebuah mekanisme peralihan dinamis menyeimbangkan pengaruh LLM dan agen RL selama pelatihan. Saat agen RL menjadi lebih mahir, sistem secara bertahap mengurangi ketergantungannya pada LLM. Transisi ini memungkinkan kendaraan mempertahankan kemampuan pengambilan keputusan yang kuat. Kendaraan tetap memanfaatkan panduan awal yang diberikan oleh model bahasa. Akibatnya adalah adaptasi yang lebih mulus terhadap lingkungan mengemudi yang kompleks.
Pengujian kerangka kerja ini pada platform simulasi CARLA menghasilkan hasil yang mengesankan. Dibandingkan dengan algoritma mutakhir seperti PPO dan SAC, pendekatan baru ini secara signifikan menurunkan tingkat tabrakan hingga 63,1 persen. Tingkat keberhasilan tugas juga meningkat dalam skenario lalu lintas padat dan kompleks. Dengan menggabungkan penalaran akal sehat dari LLM dengan kekuatan pembelajaran adaptif dari pembelajaran penguatan, teknologi ini menawarkan jalur yang menjanjikan. Jalur ini mengarah pada sistem pengendaraan otonom end-to-end yang andal dan siap menghadapi tantangan dunia nyata.