La detección y el diagnóstico son imprescindibles para mejorar la eficiencia, la seguridad y la estabilidad del funcionamiento del vehículo. En los últimos años, numerosos estudios han investigado enfoques basados en datos para mejorar el proceso de diagnóstico de vehículos utilizando los datos disponibles del vehículo, y se emplean varios métodos basados en datos para mejorar las interacciones entre los agentes de servicio al cliente.
El lenguaje natural juega un papel crucial en los sistemas de conducción autónoma en la interacción persona-vehículo y en la comunicación del vehículo con los peatones y otros usuarios de la vía. Es esencial para garantizar la seguridad, la experiencia del usuario y la interacción efectiva entre humanos y sistemas autónomos. El diseño debe ser claro, contextualizado y fácil de usar para mejorar la experiencia de conducción autónoma.
Empresa de tecnología de conducción autónoma wayve utiliza el aprendizaje automático para resolver desafíos de conducción autónoma, eliminando la necesidad de pilas robóticas costosas y complejas que requieren mapas muy detallados y reglas programadas. Lanzaron un comentarista de conducción en circuito abierto LINGO – 1. Esta tecnología aprende de la experiencia a conducir en cualquier entorno y lugares nuevos sin programación explícita.
LINGO-1 permite a los usuarios entablar conversaciones significativas al permitirles cuestionar opciones y obtener información sobre la comprensión de la escena y la toma de decisiones. Puede responder preguntas sobre diversas escenas de conducción y aclarar qué factores afectaron su decisión de conducción. Este diálogo único entre pasajeros y vehículos autónomos podría aumentar la transparencia, facilitando que las personas comprendan y confíen en estos sistemas.
LINGO -1 puede convertir las entradas de datos de las cámaras y el radar en resultados de conducción, como girar el volante o reducir la velocidad. Las decisiones de la red neuronal se prueban exhaustivamente para determinar su rendimiento y se integran de manera sólida para garantizar la seguridad de los usuarios. LINGO-1 está entrenado en un conjunto de datos diverso y escalable que incorpora datos de imagen, lenguaje y acción recopilados de conductores expertos que comentan mientras conducen por el Reino Unido.
LINGO -1 puede realizar diversas actividades, como reducir la velocidad en los semáforos, cambiar de carril, detenerse en una intersección al notar que vienen otros automóviles, analizar las acciones que eligen otros usuarios de la vía y mucho más. En comparación con el rendimiento a nivel humano, LINGO-1 tiene una precisión del 60%. Los resultados se basaron en puntos de referencia que midieron su capacidad de razonar, responder preguntas sobre diversas percepciones y sus habilidades de conducción.
LINGO-1 también tiene un mecanismo de retroalimentación que mejora la capacidad del modelo para adaptarse y aprender de la retroalimentación humana. Al igual que un instructor de conducción que guía a un estudiante de conducción, las instrucciones correctivas y los comentarios de los usuarios podrían perfeccionar la comprensión del modelo y los procesos de toma de decisiones con el tiempo. Por último, se puede concluir que es un primer paso esencial para mejorar el aprendizaje y la explicabilidad de los modelos básicos que utilizan el lenguaje natural.
Revisar la Artículo de referencia. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de más de 30.000 ml, Comunidad de Facebook de más de 40.000 personas, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Arshad es pasante en MarktechPost. Actualmente cursa su carrera internacional. Maestría en Física del Instituto Indio de Tecnología Kharagpur. Comprender las cosas hasta el nivel fundamental conduce a nuevos descubrimientos que conducen al avance de la tecnología. Le apasiona comprender la naturaleza fundamentalmente con la ayuda de herramientas como modelos matemáticos, modelos de aprendizaje automático e inteligencia artificial.