Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification

Created by
  • Haebom
Category
Empty

저자

Xiangyu Li, Zhaomiao Guo

개요

본 논문은 실제 교통 영상에서 자율주행차량의 행동을 이해하기 위한 SVBRD-LLM 프레임워크를 제안한다. YOLOv8과 ByteTrack을 사용하여 차량 궤적을 추출하고, GPT-5 zero-shot prompt engineering을 활용하여 자율주행차량과 인간 운전 차량을 비교 분석한다. 이를 통해 35개의 구조화된 행동 규칙 가설을 생성하고, 검증 및 반복적인 개선을 통해 신뢰도가 높은 규칙 라이브러리를 구축한다. 1500시간 이상의 실제 교통 영상을 기반으로 한 실험에서 자율주행차량 식별 정확도 90.0%, F1 점수 93.3%를 달성했으며, 속도 제어, 차선 변경, 가속 안정성과 관련된 자율주행차량의 특징적인 행동 규칙을 발견했다.

시사점, 한계점

•
시사점:
◦
제로샷 프롬프트 엔지니어링을 활용하여 자율주행차량의 행동 규칙을 자동적으로 발견하고 검증하는 프레임워크를 제시함.
◦
실제 교통 영상 데이터를 기반으로 자율주행차량의 특성을 명확하게 파악하고 설명 가능한 규칙을 도출함.
◦
자율주행차량 식별, 속도 및 차선 변경 예측 등 다양한 작업에서 높은 정확도를 달성함.
◦
발견된 규칙은 자율주행차량의 안전성 분석, 정책 수립, 대중 수용도 향상에 기여할 수 있음.
•
한계점:
◦
GPT-5에 의존하므로, 모델의 성능은 LLM의 품질에 따라 달라짐.
◦
YOLOv8 및 ByteTrack의 성능에 따라 궤적 추출의 정확도가 제한될 수 있음.
◦
실제 적용 시 다양한 교통 환경 및 복잡한 상황에 대한 추가적인 검증이 필요함.
◦
본 논문에서 제시된 규칙이 모든 자율주행차량의 행동을 완벽하게 대표하지는 않을 수 있음.
👍
Made with Slashpage