Cet article propose une technique d'édition de connaissances pour relever les défis liés à l'application de modèles multimodaux à grande échelle (LMM) aux systèmes de conduite autonome (SCA), tels que les erreurs de connaissance du trafic, les environnements routiers complexes et la diversité des conditions de conduite. Nous cherchons à améliorer les performances des SCA en exploitant l'édition de connaissances, qui permet de modifier le comportement du modèle de manière ciblée sans nécessiter de réapprentissage complet. À cette fin, nous présentons ADS-Edit, un jeu de données d'édition de connaissances multimodales qui englobe divers scénarios réels, plusieurs types de données et des indicateurs d'évaluation complets. Nous tirons ensuite plusieurs conclusions à partir d'expériences approfondies. Le code et les données sont accessibles au public.
