ChatGPT para Impulsionar Carros Autônomos

Engenheiros da Universidade Purdue relataram que veículos autônomos (AVs) podem aproveitar o ChatGPT e outros chatbots, alimentados por algoritmos de inteligência artificial conhecidos como grandes modelos de linguagem (LLMs), para aprimorar suas capacidades de direção.

Seu estudo, a ser apresentado em 25 de setembro na 27ª Conferência Internacional IEEE sobre Sistemas Inteligentes de Transporte, explora como os LLMs ajudam os AVs a interpretar comandos de passageiros de maneira mais natural, marcando potencialmente um avanço na interação entre humanos e veículos.

Ao contrário dos sistemas AV atuais, que exigem entradas precisas, os LLMs são treinados para interpretar a fala humana de maneira mais flexível e conversacional.

A Dra. Wang, a principal pesquisadora do estudo, explica que as interfaces de veículos tradicionais geralmente envolvem apertar botões ou emitir comandos de voz explícitos. Por outro lado, os LLMs possibilitam um diálogo mais intuitivo e natural com os passageiros.

Embora os LLMs não controlem diretamente o veículo, os pesquisadores explicaram que os LLMs podem ser usados para auxiliar os sistemas existentes do AV, tornando a experiência de condução mais personalizada e responsiva às necessidades dos passageiros.

Para o experimento deles, a equipe de pesquisa treinou o ChatGPT com uma variedade de comandos, tanto diretos quanto indiretos. Exemplos incluem “Dirija mais rápido” ou “Estou sentindo enjoo de movimento”, ensinando o modelo a se adaptar a diferentes situações.

Os pesquisadores testaram outros chatbots, como o Gemini do Google e o Llama AI do Meta, mas descobriram que o ChatGPT teve o melhor desempenho.

O modelo processou esses comandos levando em consideração as condições de tráfego em tempo real, o clima e os dados dos sensores do veículo.

O veículo, que operava com autonomia de nível quatro (apenas um passo abaixo da autonomia total), usou instruções geradas por LLM para controlar seu acelerador, freios, marchas e direção.

Em alguns experimentos, a equipe de Wang testou um módulo de memória que eles adicionaram ao sistema. Isso permitiu que os grandes modelos de linguagem armazenassem informações sobre as preferências passadas do passageiro. Os modelos então usaram esses dados para personalizar suas respostas aos comandos futuros.

Experimentos foram realizados em um ambiente controlado, incluindo uma antiga pista de aeroporto em Columbus, Indiana, onde as respostas do AV aos comandos foram testadas em velocidades de rodovia e interseções.

Os pesquisadores relataram que os participantes acharam suas viagens no AV assistido por LLM mais confortáveis do que nos sistemas AV tradicionais. O veículo também superou consistentemente os padrões de segurança de base, mesmo ao responder a novos comandos.

Isso é especialmente relevante à medida que os carros autônomos são cada vez mais utilizados como táxis, onde experiências personalizadas podem aumentar a satisfação do passageiro.

Os grandes modelos de linguagem usados neste estudo levaram em média 1,6 segundos para processar um comando do passageiro, o que é aceitável para a maioria das situações, mas precisa ser mais rápido para emergências, conforme observado pela Dra. Wang.

Embora este estudo não tenha se concentrado nisso, grandes modelos de linguagem como o ChatGPT às vezes podem “alucinar”, o que significa que eles interpretam mal as informações e fornecem respostas incorretas.

Para lidar com isso, a equipe estabeleceu medidas de segurança para proteger os passageiros quando os modelos não compreendiam os comandos. Os modelos melhoraram na compreensão dos comandos durante o percurso, mas as alucinações ainda precisam ser corrigidas antes que esses modelos possam ser usados em AVs.

Os fabricantes de carros também precisarão realizar mais testes além das pesquisas já realizadas pelas universidades. Além disso, eles precisariam de aprovação regulatória antes que os grandes modelos de linguagem pudessem ser totalmente integrados aos AVs para controlar as funções de direção do veículo, disse Wang.