Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Detección robótica de riesgos de incendio basada en razonamiento de grafos de conocimiento dinámicos: un enfoque basado en LLM con cadena de pensamiento de grafos

Created by
  • Haebom

Autor

Haimei Pan, Jiyun Zhang, Qinxi Wei, Xiongnan Jin, Chen Xinkai, Jie Cheng

Describir

Este artículo propone Insights-on-Graph (IOG), un novedoso marco para mejorar la eficacia de los robots en la prevención y extinción de incendios. IOG aprovecha modelos de lenguaje a gran escala (LLM) y modelos multimodales a gran escala (LMM) para construir un grafo de conocimiento (KG) basado en el conocimiento extraído de las directrices de prevención de incendios y los documentos de respuesta robótica a emergencias. Al integrar estos KG y LMM, genera un grafo de riesgo a partir de vídeo en tiempo real, lo que permite la detección temprana del riesgo de incendio y una respuesta a emergencias interpretable (configuración de módulos de tareas y componentes del robot) en función de las situaciones cambiantes. La viabilidad y aplicabilidad de IOG se verifican mediante simulaciones y experimentos.

Takeaways, Limitations

•
Takeaways:
◦
Presentar la posibilidad de construir un sistema de detección y respuesta al riesgo de incendio basado en gráficos de conocimiento utilizando LLM y LMM.
◦
Detección temprana de riesgos de incendio y estrategias de respuesta a emergencias interpretables mediante análisis de vídeo en tiempo real.
◦
Proporciona un marco que permite la configuración dinámica de los módulos y componentes de trabajo del robot según la situación.
◦
Contribuir a mejorar la eficiencia de la utilización de robots en el campo de la prevención y supresión de incendios.
•
Limitations:
◦
Es necesaria la validación del marco propuesto para su aplicación en lugares reales con incendios a gran escala.
◦
Se necesitan evaluaciones de desempeño generalizadas para varios tipos de incendios y entornos.
◦
Se necesitan más investigaciones para determinar cómo las limitaciones de LLM y LMM (por ejemplo, datos sesgados, generación de información errónea) afectan el desempeño de IOG.
◦
Es necesario mejorar la eficiencia de los métodos de representación y actualización de conocimientos de KG.
👍
Made with Slashpage