본 논문은 도시 혼란 상황에서 실시간 이벤트 및 특정 지역 회피와 같은 복잡한 사용자 제약을 통합하는 데 어려움을 겪는 기존 내비게이션 시스템의 한계를 해결하기 위해 Large Language Models (LLMs)를 활용한 TraveLLM 시스템을 제안한다. TraveLLM은 자연어 요청, 지도 데이터, 혼란 정보 등을 결합한 멀티모달 사용자 쿼리를 처리하여 교통 계획을 생성한다. GPT-4, Claude 3, Gemini 등 최신 LLM의 성능을 실제 혼란 상황을 반영한 시나리오에서 평가한 결과, 특히 GPT-4가 효과적으로 맥락을 이해하고 실행 가능한 내비게이션 계획을 생성함을 확인했다.
