Este artículo propone una técnica de edición de conocimiento para abordar los desafíos de la aplicación de modelos multimodales (LMM) a gran escala en sistemas de conducción autónoma (ADS), como errores de conocimiento del tráfico, entornos viales complejos y diversas condiciones de los vehículos. Nuestro objetivo es mejorar el rendimiento de los ADS aprovechando la edición de conocimiento, que permite la modificación del comportamiento del modelo según objetivos sin necesidad de un reentrenamiento completo. Para ello, presentamos ADS-Edit, un conjunto de datos de edición de conocimiento multimodal que abarca diversos escenarios del mundo real, múltiples tipos de datos y métricas de evaluación exhaustivas. Posteriormente, extraemos varias conclusiones mediante experimentos exhaustivos. El código y los datos están disponibles públicamente.
