Bài báo này đề xuất một kỹ thuật chỉnh sửa kiến thức để giải quyết những thách thức trong việc áp dụng các mô hình đa phương thức (LMM) quy mô lớn vào các hệ thống lái xe tự động (ADS), chẳng hạn như lỗi kiến thức giao thông, môi trường đường xá phức tạp và điều kiện xe cộ đa dạng. Chúng tôi mong muốn cải thiện hiệu suất của ADS bằng cách tận dụng kỹ thuật chỉnh sửa kiến thức, cho phép điều chỉnh hành vi của mô hình theo mục tiêu mà không cần đào tạo lại toàn bộ. Vì mục đích này, chúng tôi giới thiệu ADS-Edit, một bộ dữ liệu chỉnh sửa kiến thức đa phương thức bao gồm nhiều tình huống thực tế đa dạng, nhiều loại dữ liệu và các chỉ số đánh giá toàn diện. Sau đó, chúng tôi rút ra một số kết luận thông qua các thử nghiệm mở rộng. Mã nguồn và dữ liệu được công khai.
