MAPS: Energy-Reliability Tradeoff Management in Autonomous Vehicles Through LLMs Penetrated Science

要約

自動運転車の普及が進むにつれ、安全性、パフォーマンス、エネルギー消費を向上させるために、高精度で効率的なシステムがますます重要になっています。
これらのシステムにおけるエネルギーと信頼性のトレードオフを効率的に管理するには、車両の運転中のさまざまな状態を予測する能力が必要です。
大規模言語モデル (LLM) の有望な改善と ChatGPT のようなよく知られたモデルの出現により、近年、自動運転車関連の予測のためのユニークな機会が提供されています。
この論文では、エネルギーと信頼性のトレードオフのバランスをとるために、自律走行車の動作中に設定する重要なパラメータを予測するためのマップ リーダー コドライバーとして LLM を使用する MAPS を提案しました。
MAPS メソッドは、最良のベースラインメソッドと比較して、ナビゲーション精度が 20% 向上していることを示しています。
MAPS はまた、計算ユニットで 11%、機械ユニットと計算ユニットの両方で最大 54% のエネルギー節約を示しています。

要約(オリジナル)

As autonomous vehicles become more prevalent, highly accurate and efficient systems are increasingly critical to improve safety, performance, and energy consumption. Efficient management of energy-reliability tradeoffs in these systems demands the ability to predict various conditions during vehicle operations. With the promising improvement of Large Language Models (LLMs) and the emergence of well-known models like ChatGPT, unique opportunities for autonomous vehicle-related predictions have been provided in recent years. This paper proposed MAPS using LLMs as map reader co-drivers to predict the vital parameters to set during the autonomous vehicle operation to balance the energy-reliability tradeoff. The MAPS method demonstrates a 20% improvement in navigation accuracy compared to the best baseline method. MAPS also shows 11% energy savings in computational units and up to 54% in both mechanical and computational units.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google